Orvalho

UNIVERSIDADE ESTADUAL PAULISTA “JÚLIO DE MESQUITA FILHO”
FACULDADE DE CIÊNCIAS AGRONÔMICAS

CAMPUS DE BOTUCATU
APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS NA ANÁLISE DE

DADOS DE MOLHAMENTO FOLIAR POR ORVALHO
IVO MÁRIO MATHIAS
Tese apresentada à Faculdade de Ciências

Agronômicas da Unesp - Campus de Botucatu,
para obtenção do título de Doutor em
Agronomia - Área de Concentração em Energia
na Agricultura.
BOTUCATU – SP
Dezembro - 2006
UNIVERSIDADE ESTADUAL PAULISTA “JÚLIO DE MESQUITA FILHO”
FACULDADE DE CIÊNCIAS AGRONÔMICAS
CAMPUS DE BOTUCATU
APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS NA ANÁLISE DE

DADOS DE MOLHAMENTO FOLIAR POR ORVALHO
IVO MÁRIO MATHIAS
Orientador: Prof. Dr. Angelo Cataneo

Co-orientadora: Prof. Dra. Alaine Margarete Guimarães
Tese apresentada à Faculdade de Ciências

Agronômicas da Unesp - Campus de Botucatu,
para obtenção do título de Doutor em
Agronomia - Área de Concentração em Energia
na Agricultura.
BOTUCATU – SP
Dezembro - 2006
IV
“O que sabemos é uma gota, o que ignoramos é um oceano.”

Isaac Newton, 1642-1727
V
Dedicatória
Dedico esta tese a minha amada esposa Marilia, que sempre me estimulou nos momentos de
incerteza e me compreendeu nos momentos de dedicação ao meu trabalho. Obrigado por seu
amor, sua tolerância e sua paciência.
VI
AGRADECIMENTOS
Agradeço a Deus, que está presente em todos os momentos de minha

vida, fornecendo-me idéias e sabedoria. Sua energia, sempre delineou o meu desenvolvimento
pessoal e profissional. E, sem a força deste, nada seria possível.
Agradeço aos meus pais Estanislau e Catarina, pelo empenho e ajuda
que sempre me deram, estimulando-me e propiciando-me muitos conhecimentos e realizações,
reerguendo sempre o meu ânimo e a minha vontade de aprender.
Meus orgulhos e razões de existência, minhas filhas Camila e
Fernanda. Agradeço à vocês que sempre souberam me entender e me estimular durante todo o
desenvolvimento do doutorado, mesmo quando eu estava ausente morando em Botucatu.
Meu orientador Prof. Dr. Angelo Cataneo, obrigado pela sua
orientação, amizade e confiança. Sua sabedoria e integridade foram fundamentais em todas as
fases do meu trabalho. Você foi para mim mais do que um orientador, sempre foi um grande
amigo.
A amiga Alaine e também co-orientadora, obrigado por suas palavras
de incentivo e por sempre estar disposta a colaborar no desenvolvimento da minha tese. Minha
gratidão também, por ter sido a pioneira em Botucatu, suas dicas a respeito da cidade e da
Unesp sempre foram muito importantes. Agradeço por sua amizade e ajuda.
Ao amigo Ariangelo, obrigado pela convivência harmoniosa durante o
período que moramos em Botucatu e também, por compartilhar seus conhecimentos, os quais
sempre foram de grande importância para o meu trabalho.
Agradeço a FABC – Fundação ABC na pessoa do Engenheiro
Agrônomo Rodrigo Yoti Tsukahara, que me forneceu duas das bases de dados utilizadas neste
trabalho, assim como, agradeço pelas orientações técnicas que foram muito importantes no
desenvolvimento desta tese.
Aos meus colegas da UEPG – Ponta Grossa (PR) e da UNESP –
Botucatu (SP), obrigado pelo apoio e incentivo.
Aos colegas do DEINFO/UEPG, obrigado pela força e incentivo
durante esta jornada.
VII
À UEPG, agradeço pela licença remunerada que viabilizou o meu

doutorado.
Meus agradecimentos à Capes, pela aprovação do PQI – Programa de
Qualificação Institucional, cujos recursos foram fundamentais para a realização do trabalho.
Aos acadêmicos da UEPG do Curso de Engenharia de Computação
Douglas e Marcos, e do Curso de Bacharelado em Informática Carlos e Jones, pelo exemplar
trabalho desenvolvido sob minha orientação, cujo trabalho é parte essencial desta tese.
Ao Professor Doutor Paulo César Sentelhas, pelas suas sugestões a
respeito do meu trabalho e também por ter fornecido uma das bases de dados utilizadas nesta
tese.
Agradeço ao Eduardo Alvarez Santos, na ocasião, orientado do
Professor Dr. Paulo César Sentelhas, pela sua contribuição no envio e explicações a respeito
da base de dados da ESALQ/USP de Piracicaba.
Ao Marcelo Giovanetti Canteri, agradeço pela amizade e pelo
incentivo em realizar o meu doutorado na área da informática aplicada a agricultura.
Agradeço a todos os integrantes da banca examinadora por aceitarem o
convite de participação.
A Márcia Eurich Belinsky da PROPESP/UEPG, agradeço por sempre
estar disposta a colaborar e principalmente pela ajuda em inúmeras reuniões realizadas quando
da elaboração do PQI/Capes.
A FCA/UNESP Botucatu, ao Departamento de Gestão e Tecnologia
Agroindustrial - DGTA. As chefias do DGTA, obrigado pelo espaço e computadores cedidos
ao desenvolvimento do meu trabalho. A todos os professores e funcionários pela acolhida
sempre gentil e atenciosa. Em particular aos funcionários Marcos Norberto Tavares
(Marquinhos), Anselmo Ribeiro e Mário Eduardo Bianconi Baldini, que sempre estiveram
dispostos a auxiliar naquilo que fosse necessário.
A FCA/UNESP Botucatu, a equipe da Seção de Pós-Graduação,
Jaqueline de Moura Gonçalves, Kátia Otomo Duarte, Marlene Rezende de Freitas e Marilena
do Carmo Santos, em especial a Marlene pela sua atenção e cortesia. Meus agradecimentos.
Ao Luciano Frontino Medeiros, por permitir usar o componente TMLP
(Training Multilayer Perceptron) de seu Livro Redes Neurais em Delphi.
VIII
SUMÁRIO
LISTA DE FIGURAS ...............................................................................................................XI
LISTA DE TABELAS ........................................................................................................... XIII
LISTA DE ABREVIATURAS...............................................................................................XIV
1 RESUMO ............................................................................................................................1
2 SUMMARY ........................................................................................................................3
3 INTRODUÇÃO...................................................................................................................5
3.1 Contexto do trabalho...................................................................................................5
3.2 Especificação do problema .........................................................................................6
3.3 Objetivo do trabalho ...................................................................................................7
4 REVISÃO DE LITERATURA ...........................................................................................8
4.1 Redes Neurais Artificiais ............................................................................................8
4.1.1 O neurônio artificial e a rede neural ................................................................. 10
4.1.2 Modelo de neurônio.......................................................................................... 13
4.1.3 Tipos de função de ativação ............................................................................. 15
4.1.4 Arquiteturas de RNAs ...................................................................................... 18
4.1.5 Tarefas de aprendizagem .................................................................................. 20
4.1.6 Processo de aprendizagem................................................................................ 21
4.1.7 Modelos de aprendizagem ................................................................................ 23
4.1.8 Perceptron de camada única ............................................................................. 24
4.1.9 Perceptron de múltiplas camadas ..................................................................... 28
4.1.10 Algoritmo de retropropagação de erro (error back-propagation).................... 30

IX
4.1.11 Algoritmo resilient propagation (Rprop) ......................................................... 36
4.2 Molhamento foliar ....................................................................................................38
4.2.1 Orvalho ............................................................................................................. 39
4.2.2 Molhamento foliar por orvalho......................................................................... 39
4.2.3 Estimativa da DPMF ........................................................................................ 41
4.2.4 Principais fatores no desenvolvimento de doenças em plantas ........................ 43
4.2.5 Doenças do trigo............................................................................................... 44
4.2.6 Cultura do trigo no Brasil ................................................................................. 44
5 MATERIAL E MÉTODOS...............................................................................................46
5.1 Bases de dados ..........................................................................................................47
5.1.1 Especificação da base de dados 1 ..................................................................... 47
5.2 Metodologia computacional......................................................................................52
5.2.1 Modelagem de redes neurais artificiais ............................................................ 53
6 RESULTADOS .................................................................................................................54
6.1 Desenvolvimento do modelo em RNA .....................................................................54
6.1.1 Definição do problema e coleta de dados......................................................... 54
6.1.2 Pré-processamento dos dados........................................................................... 57
6.1.3 Projeto da RNA ................................................................................................ 59
6.1.4 Treinamento da RNA........................................................................................ 61
6.2 Estudos de caso .........................................................................................................62
6.2.1 Estudo de caso 1 ............................................................................................... 62

X
6.2.2 Estudo de caso 2 ............................................................................................... 64
6.2.3 Estudo de caso 3 ............................................................................................... 65
6.3 Definição do sistema PMNeural ...............................................................................68
6.4 Funcionalidades do sistema PMNeural.....................................................................71
6.5 Avaliação do sistema PMNeural...............................................................................89
6.5.1 Estudo de caso 1 ............................................................................................... 90
6.5.2 Estudo de caso 2 ............................................................................................... 91
6.5.3 Estudo de caso 3 ............................................................................................... 92
6.5.4 Estudo de caso 4 ............................................................................................... 93
7 DISCUSSÕES ...................................................................................................................95
8 CONSIDERAÇÕES ........................................................................................................100
9 CONCLUSÕES ...............................................................................................................102
10 REFERÊNCIAS BIBLIOGRÁFICAS ............................................................................103
APÊNDICE .............................................................................................................................116
XI
LISTA DE FIGURAS
Figura 1 – Esquema de um neurônio biológico.........................................................................11
Figura 2 – Modelo matemático de um neurônio biológico (McCulloch & Pitts, 1943) ...........12
Figura 3 – Modelo de neurônio base para projetos de RNA .....................................................13
Figura 4 – Gráfico função de limiar ..........................................................................................15
Figura 5 – Gráfico função linear por partes...............................................................................16
Figura 6 – Gráfico função sigmóide ..........................................................................................17
Figura 7 – RNA representada em forma de Grafo.....................................................................18
Figura 8 – Exemplos de arquiteturas de RNAs .........................................................................19
Figura 9 – Modelo perceptron ...................................................................................................25
Figura 10 – Gráfico perceptron 1 e 2 – classificação de frutos .................................................27
Figura 11 – Arquitetura de RNA MLP com duas camadas ocultas...........................................29
Figura 12 – Fluxo de treinamento de uma MLP c/back-propagation .......................................32
Figura 13 – Gráfico erro global x peso......................................................................................35
Figura 14 – Visão da EMA utilizada para coleta de dados da base 2. Piraí do Sul, PR. 2005..50
Figura 15 – Detalhes de um sensor de molhamento Campbell modelo 237 .............................52
Figura 16 – Etapas do desenvolvimento da RNA......................................................................53
Figura 17 – Regra de parada antecipada baseada na validação cruzada ...................................63
Figura 18 – Tela SNNS – gráfico de evolução de treinamento/validação.................................66
Figura 19 – Tela SNNS – exibição de RNA com arquitetura 4-14-2........................................67
Figura 20 – Tela SNNS – painel de controle.............................................................................68
Figura 21 – Tela de apresentação – PMNeural..........................................................................72
Figura 22 – Tela de operações e login.......................................................................................72

XII
Figura 23 – Tela de operações...................................................................................................73
Figura 24 – Tela – acesso ao cadastro de usuário......................................................................74
Figura 25 – Tela – cadastro de usuário......................................................................................75
Figura 26 – Tela – cadastro de estações meteorológicas...........................................................76
Figura 27 – Tela – cadastro de cidades .....................................................................................77
Figura 28 – Tela – exemplos de variáveis .................................................................................77
Figura 29 – Tela – cadastro de variável.....................................................................................78
Figura 30 – Tela – importação de dados ...................................................................................79
Figura 31 – Tela – iniciar importação na linha..........................................................................80
Figura 32 – Tela – neurônios da camada de saída.....................................................................81
Figura 33 – Tela – treinamento da RNA ...................................................................................82
Figura 34 – Tela – relatório de treinamento ..............................................................................84
Figura 35 – Tela – validação de RNAs......................................................................................85
Figura 36 – Tela – resultados de validação ...............................................................................86
Figura 37 – relatório de validação - resumido...........................................................................87
Figura 38 – Tela de ajuda – aba localizar..................................................................................88
Figura 39 – Tela de ajuda – aba índice......................................................................................89

XIII
LISTA DE TABELAS
Tabela 1 – Treinamento de perceptron para classificação de frutos..........................................26
Tabela 2 – Conjunto de dados para classificação de frutos.......................................................27
Tabela 3 – Composição parcial da base de dados 1 (Tsukahara, 2004) ....................................49
Tabela 4 – Composição parcial da base de dados 2 (Tsukahara, 2005) ....................................50
Tabela 5 – Composição parcial da base de dados 3 (ESALQ, 2005)........................................51
Tabela 6 – Escala de avaliação visual de orvalho Heldwein & Krzysch (1997).......................55
Tabela 7 – Escala de avaliação visual discretizada – base de dados 1 ......................................56
Tabela 8 – Neurônios de saída – base de dados 1 .....................................................................58
Tabela 9 – Detalhes - base de dados 1.......................................................................................62
Tabela 10 – Melhores resultados c/simuladores – base de dados 1...........................................64
Tabela 13 – Avaliação PMNeural - estudo de caso 1................................................................91
Tabela 17 – Épocas processadas em 10 horas de treino c/o PMNeural – algoritmo Rprop......98

XIV
LISTA DE ABREVIATURAS
ANN Artificial Neural Networks

Backprop Back-propagation
DARPA Defense Advanced Research Projects Agency
DPM Duração do Período de Molhamento
DPMF Duração do Período de Molhamento Foliar
DPMV Duração do Período de Molhamento Visual
EMA Estação Meteorológica Automática
EMBRAPA Empresa Brasileira de Pesquisa Agropecuária
IA Inteligência Artificial
IMF Índice de Molhamento Foliar
JavaNNS Java Neural Network Simulator
MLP Multilayer Perceptron
OCR Optical Character Recognition
PRES Pressão atmosférica do ar
RN Rede Neural
RNA Rede Neural Artificial
Rprop Resilient Propagation
SNNS Stuttgart Neural Network Simulator
TEMPMAX Temperatura Máxima do ar
TEMPMED Temperatura Média do ar
TEMPMIN Temperatura Mínima do ar
TMLP Training Multilayer Perceptron
UML Unified Modeling Language
URMAX Umidade Relativa Máxima do ar
URMED Umidade Relativa Média Relativa do ar
URMIN Umidade Relativa Mínima do ar
VENTMAX Velocidade Máxima do vento
VENTMED Velocidade Média do vento
VENTMIN Velocidade Mínima do vento
1
1 RESUMO
O trabalho descrito nesta tese apresenta o desenvolvimento de um

sistema computacional denominado PMNeural, baseado em Redes Neurais Artificiais (RNAs).
A finalidade do sistema é o tratamento de dados climáticos e de molhamento foliar por
orvalho, visando reconhecer padrões de comportamento de variáveis meteorológicas em
relação ao molhamento foliar por orvalho. Para determinar as melhores arquiteturas e
algoritmos de treinamento de RNAs, bem como, definir quais as variáveis climáticas que
influenciam significativamente na ocorrência do molhamento foliar, foram utilizados dois
simuladores: o simulador SNNS (Stuttgart Neural Network Simulator) versão 4.2, que utiliza
plataforma operacional Linux e o simulador JavaNNS – Java Neural Network Simulator 1.1,
com ambiente de execução Windows, o qual é baseado no SNNS. Foram utilizados dados
climáticos de três estudos de caso, dois destes referentes à cultura do trigo, oriundos de locais
e datas diferentes. Base de Dados 1 - Fazenda Capão do Cipó, em Castro – PR, safra de
inverno de 2003. Base de Dados 2 - Campo Demonstrativo e Experimental da Fundação ABC
- Fazenda Palmeirinha, em Piraí do Sul – PR., safra de inverno de 2005. Base de Dados 3 -
Posto Agrometeorológico ESALQ/USP em Piracicaba - SP, período entre julho e setembro de
2005. Um quarto estudo de caso foi elaborado a partir dos arquivos dos estudos de casos 1, 2 e
3, utilizando-se as variáveis climáticas comuns, juntamente com seus respectivos índices de
molhamento. Dentre os algoritmos de treinamento testados nos simuladores, o Resilient
2
Propagation (Rprop) foi o que apresentou as menores taxas de erro em relação aos outros,
sendo eles: Backpropagation Standard, Backpropagation for batch training, Backpropagation
with momentum term, Backpropagation with chunkwise update, Backpropagation with Weight
Decay e Quickprop. Verificou-se, também, que dentre as variáveis climáticas utilizadas para
classificação do molhamento foliar, a inclusão do horário influenciou na obtenção de melhores
resultados das RNAs, durante a fase de treinamento e validação. Nos quatro estudos de caso o
sistema PMNeural foi capaz de classificar o molhamento foliar com acertos superiores a
73,96%. O sistema PMNeural foi eficiente para reconhecer padrões em dados de variáveis
meteorológicas visando estimar o molhamento foliar originado por orvalho.
________________________
Palavras Chave: Inteligência artificial, Agricultura, Índice de molhamento, Duração do
período de molhamento foliar.
3
ARTIFICIAL NEURAL NETWORKS APLLIED TO LEAF WETNESS BY DEW DATA

ANALYSIS. Botucatu, 2006. 120p. Tese (Doutorado em Agronomia/Energia na
Agricultura) - Faculdade de Ciências Agronômicas, Universidade Estadual Paulista.
Author: IVO MÁRIO MATHIAS
Adviser: ANGELO CATANEO
Co-Adviser: ALAINE MARGARETE GUIMARÃES
2 SUMMARY
The work described in this thesis presents the development of a

computational system named PMNeural based on Artificial Neural Networks (ANNs). The
system has for purpose the handle of climatic and leaf wetness data, aiming to recognize
patterns of behavior of meteorological variables in relation to the wetness from dew. Two
simulators were used in order to determine the best architecture and ANNs training
algorithms, as well as, to define which the climatic variables that influence significantly in the
leaf wetness occurrence: the SNNS (Stuttgart Neural Network Simulator) version 4.2 for
Linux platform, and the JavaNNS - Java Neural Network Simulator 1.1, for Windows
platform, which is based on the SNNS. Climatic data of three case studies were used, two
related to wheat culture, obtained from different places and dates. Dataset 1 - Capão do Cipó
Farm, in Castro - PR, 2003. Dataset 2 - Palmeirinha Farm in Piraí do Sul - PR, 2005 winter
crop. Dataset 3 - Meteorological Station of ESALQ/USP in Piracicaba - SP, from July to
September, 2005. A fourth case study was elaborated from datasets of the case studies 1, 2 and
3, using the common climatic variables together with their respective wetness indexes. After
testing the training algorithms in the simulators, the Resilient Propagation (Rprop) presented
lower training errors than the others evaluated methods: Backpropagation Standard,
Backpropagation for batch training, Backpropagation with momentum term, Backpropagation
with chunkwise update, Backpropagation with Weight Decay and Quickprop. It was verified
4
also that, among the climatic variables used for classification of leaf wetness from dew, the
inclusion of the schedule had influenced in the obtaining better ANNs results, during the
training and validation phases. The PMNeural system was able to classify the wetness indexes,
achieving higher than 73,96% accuracy. The PMNeural system was efficient to recognize
patterns in meteorological variables data aiming to estimate the wetness from dew.
________________________
Keywords: Artificial intelligence, Agriculture, Wetness index, Wetness duration.

5
3 INTRODUÇÃO
3.1 Contexto do trabalho
A evolução da tecnologia da informação tem causado transformações

sobre as organizações em geral e em particular no desenvolvimento de aplicações de
computadores voltados a áreas específicas. Neste contexto, o cenário agrícola se faz presente,
no qual o uso da informática tem importância fundamental em todas as fases do processo
produtivo e organizacional.
Dentre as metodologias computacionais, a Inteligência Artificial (IA)
contribui na busca de soluções e conhecimentos que auxiliem na tomada de decisões, através
de programas e técnicas que manuseiem dados com o objetivo de obter informações úteis e
implícitas. A IA tem como principal objetivo a representação do comportamento humano
através de modelos computacionais, constituindo-se em um campo de pesquisa aberto e
dinâmico que trata do estudo da solução de problemas através da distribuição de conhecimento
entre diversas entidades.
Dentre os diversos paradigmas da IA, as Redes Neurais Artificiais
(RNAs) são úteis para o reconhecimento de padrões, por oferecer método flexível e mais
próximo dos processos biológicos. Na sua forma mais geral, a RNA é uma máquina projetada
para modelar a maneira como o cérebro realiza uma tarefa particular ou função de interesse.
6
3.2 Especificação do problema
No cenário agrícola, um dos problemas que os produtores enfrentam

para manter a produtividade das culturas é a ocorrência de doenças, as quais são influenciadas
pelas condições climáticas, com destaque para a temperatura e a água livre sobre a superfície
foliar.
Entre as variáveis climáticas possíveis de serem medidas ou estimadas,
pode-se afirmar que a duração do período de molhamento foliar é o que mais se correlaciona
com o início dos processos infecciosos, visto que, a maioria dos esporos1 de fungos foliares
patogênicos necessita de um filme de água sobre a superfície das folhas, por um determinado
tempo, para que possam germinar e penetrar no hospedeiro, ocasionando o processo
infeccioso. O molhamento foliar pode ser resultado de três fatores principais: orvalho,
precipitação pluvial ou irrigação.
Sentelhas (1992) destaca vários trabalhos que evidenciam a
importância do orvalho no estabelecimento e desenvolvimento de doenças, pois apesar de
poder beneficiar as plantas, o orvalho quando persiste e é retido sobre as plantas por longos
períodos favorece a germinação de esporos de fungos.
Atualmente o mecanismo mais utilizado para se medir o molhamento
foliar são sensores eletrônicos, que tentam simular uma folha e/ou fruto específico. Contudo, o
uso destes sensores em fazendas de um modo geral é dificultado pela necessidade de um
conhecimento técnico especializado de instalação, utilização e manutenção constantes,
situação geralmente encontrada em centros de pesquisa. Uma alternativa facilitadora seria a
obtenção de medidas de molhamento foliar via variáveis meteorológicas, comumente obtidas
de estações meteorológicas automáticas.
1
Corpúsculos reprodutivos de fungos e algumas bactérias.
7
3.3 Objetivo do trabalho
O objetivo deste trabalho foi desenvolver e validar um sistema

computacional baseado em RNAs, destinado ao tratamento de dados climáticos, visando
reconhecer padrões de comportamento de variáveis meteorológicas em relação ao molhamento
foliar por orvalho.
8
4 REVISÃO DE LITERATURA
Este capítulo tem dois focos distintos, o enfoque computacional

(paradigma das RNAs) e o agrometeorológico (orvalho e molhamento foliar) os quais
correspondem, respectivamente, à metodologia computacional aplicada e ao domínio de
aplicação.
4.1 Redes Neurais Artificiais
Na literatura especializada (Azevedo et al., 2000; Barreto, 1997; Braga

et al., 2000; Fischer et al., 2001; Haykin, 2001; Medeiros, 2003; Osório & Bittencourt, 2000;
Neurais, 2003; Nievola, 2004; Sarle, 2004; Zell et al., 1998), várias são as definições que os
autores atribuem às Redes Neurais Artificiais ou, simplesmente, Redes Neurais (RNs), ou
ainda métodos conexionistas. Todos os autores citados concordam que as RNAs consistem em
uma metodologia para solucionar problemas de IA, a partir de um sistema que possui circuitos
que simulam o cérebro humano, inclusive seu comportamento, ou seja, aprendendo, errando e
fazendo descobertas. São técnicas computacionais que apresentam um modelo inspirado na
estrutura neural de organismos inteligentes, que adquirem conhecimento através da
experiência.
A habilidade das RNAs em solucionar problemas complexos e
variados tem as tornado uma abordagem interessante que pode ser aplicada em diversas áreas
9
de engenharia e ciências (Silva, 2001b). Os trabalhos têm sido motivados desde o começo,
pelo reconhecimento de que o cérebro humano processa informações de uma forma diferente
do computador digital convencional. O cérebro é um computador (sistema de processamento
de informação) altamente complexo, não-linear e paralelo. Ele tem a capacidade de organizar
seus constituintes estruturais, conhecidos por neurônios, de forma a realizar certos
processamentos (reconhecimento de padrões, percepção, e controle motor) mais rapidamente
que o mais rápido computador digital hoje existente (Haykin, 2001).
Apesar da complexidade das redes neurais não permitir uma única
definição, adota-se a de Haykin (2001), que descreve as principais características do que seja
uma RNA:
Uma rede neural é um processador maciçamente paralelamente distribuído constituído de
unidades de processamento simples, que têm a propensão natural para armazenar
conhecimento experimental e torná-lo disponível para o uso. Ela se assemelha ao cérebro
em dois aspectos:
1. O conhecimento é adquirido pela rede a partir de seu ambiente através de um
processo de aprendizagem.
2. Forças de conexão entre neurônios, conhecidas como pesos sinápticos, são utilizadas
para armazenar o conhecimento adquirido.
A propriedade mais importante das redes neurais é a habilidade de
aprender a partir de seu ambiente e com isso melhorar seu desempenho, isso é feito através de
um processo de aprendizagem, que é um processo iterativo de ajustes aplicado a seus pesos
sinápticos, o algoritmo de treinamento. O aprendizado ocorre quando a rede neural atinge uma
solução generalizada para uma classe de problemas.
Essas características das redes neurais resultam em algumas atrativas
habilidades que incluem (Balestrassi, 2000):
• encontrar relacionamentos entre conjuntos de dados aparentemente não
correlacionados e depois construir um conjunto de informações a partir deles;
• encontrar relacionamentos entre os dados que analistas humanos não podem
descobrir devido suas limitações intrínsecas quando, por exemplo, existe uma
grande quantidade de pontos;
10
• ter a habilidade e velocidade de analisar os conjuntos de dados em uma fração

de tempo inferior aos seres humanos.
Nas seções a seguir estão descritos os principais fundamentos das

RNAs, no que se refere ao neurônio artificial, o mecanismo de funcionamento e a forma de
representar geometricamente uma RNA.
4.1.1 O neurônio artificial e a rede neural
Considerando que o sistema nervoso é composto por bilhões de células

nervosas, a idéia é que a RNA também seja constituída por unidades de processamento que
simulem o funcionamento de um neurônio biológico. Estes módulos devem estar
interconectados e funcionar de acordo com os elementos em que foram inspirados, recebendo,
retransmitindo informações e gerando conhecimento.
Em 1911, Santiago Ramón y Cajal introduziu a idéia de neurônios
como estrutura básica do cérebro (Figura 1), cujo funcionamento pode ser resumido
basicamente do seguinte modo: os dendritos recebem sinais de entrada oriundos de outras
células, o elemento soma e os próprios dendritos integram e processam estes sinais, a
informação é transmitida ao longo do axônio para outros neurônios por meio das sinapses, que
são as ligações entre os dendritos de neurônios diferentes.
11
Fonte: Osório & Bittencourt (2000)

Figura 1 – Esquema de um neurônio biológico
Em 1943, o psiquiatra e neurofisiologista McCulloch e o matemático

Pitts (McCulloch & Pitts, 1943) propuseram matematicamente, de forma simplificada, o
funcionamento de um neurônio biológico. No modelo de McCulloch & Pitts (Figura 2), o
neurônio possui i entradas (equivalente aos dendritos) X1, X2, …,Xi e apenas uma saída
(equivalente ao axônio) y. Para simular a sinapse, cada entrada do neurônio tem um peso W1,
W2, …,Wi cujos valores podem ser positivos (excitatórios) ou negativos (inibitórios). Os pesos
têm como finalidade armazenar o conhecimento e determinar a intensidade com que cada
entrada contribuirá no resultado do neurônio. O corpo celular é emulado simplesmente
somando os valores do produto de suas entradas com seus respectivos pesos, XiWi e, se a
soma for maior ou igual ao seu limiar (threshold) a sua saída, y, é ativada com valor 1.
12
Resumindo o neurônio será ativo quando:
(1)
onde m é o número de entradas do neurônio, Wi é o peso associado à entrada Xi e θ é o limiar

do neurônio, conforme ilustrado na Figura 2.
Fonte: Braga et al. (2000)

Figura 2 – Modelo matemático de um neurônio biológico (McCulloch & Pitts, 1943)
No decorrer dos anos seguintes, vários pesquisadores propuseram

variações do modelo do neurônio McCulloch & Pitts. A principal diferença entre a idéia
original e suas variações encontram-se na função que determina o estado de ativação da saída
do neurônio (função ativação) e o acréscimo de um bias. Bias corresponde a um neurônio ou a
uma entrada especial que serve para aumentar os graus de liberdade, permitindo uma melhor
adaptação por parte da rede neural, ao conhecimento a ela fornecido; pode ser considerado
como um ajuste fino.
13
4.1.2 Modelo de neurônio
Nesta seção, descreve-se o modelo de neurônio que conforme Haykin

(2001) identifica a base para projetos de RNAs, sendo composto por três elementos básicos
(Figura 3).
Fonte: Haykin (2001)

Figura 3 – Modelo de neurônio base para projetos de RNA
1. Conjunto de sinapses ou elos de conexão, cada uma se caracteriza por seu peso ou
força própria. Um sinal xj na entrada da sinapse j conectado a um neurônio k é
multiplicado pelo peso sináptico wkj, onde o índice k refere-se ao neurônio em questão
e o índice j refere-se ao terminal de entrada da sinapse.
2. Junção aditiva – somador dos sinais de entrada, ponderados pelos respectivos pesos
sinápticos. Estas funções constituem um combinador linear.
3. Função de ativação – tem por finalidade restringir a amplitude de saída de um
neurônio, pode ser também referenciada como função restritiva já que restringe (limita)
o intervalo permissível de amplitude do sinal de saída a um valor finito. Tipicamente, o
14
intervalo normalizado da amplitude de saída de um neurônio é escrito como o intervalo

unitário fechado [0,1] ou [-1,1].
Neste modelo, pode ser notado o acréscimo de um bias, que tem o
efeito de aumentar ou diminuir a entrada líquida da função de ativação, dependendo se ele é
positivo ou negativo, respectivamente, identificado por bk e representado matematicamente na
equação 3.
Ao efetuar-se uma breve comparação com o modelo McCulloch &
Pitts (Figura 2), o neurônio possui entradas similares, pesos sinápticos, e o somador dos
valores do produto de suas entradas com os respectivos pesos. Contudo, a função de ativação
difere por somente permitir que a saída de um neurônio seja ativada com valor 1, ou não
ativada com valor 0, assim como, a não existência do bias.
Matematicamente, um neurônio k é descrito com as seguintes
equações:
(2)
(3)
onde x1, x2, x3,..., xm, são sinais de entrada; wk1, wk2, wk3,..., wkm, são os pesos sinápticos do
neurônio k; uk é a saída do combinador linear devido aos sinais de entrada; bk é o bias; ϕ (.) é
a função de ativação; e yk é o sinal de saída do neurônio. O uso do bias bk tem o efeito de

aplicar uma transformação afim à saída uk do combinador linear, demonstrado na equação 4.
(4)
15
4.1.3 Tipos de função de ativação
A função de ativação definida pelo termo ϕ (.) é responsável pela
saída do neurônio, conforme convenção já citada anteriormente. Identificam-se três tipos

básicos de funções de ativação (Haykin, 2001):
1. Função de Limiar – definida pela equação 5 e seu gráfico é ilustrado na Figura 4.
(5)
Figura 4 – Gráfico função de limiar
2. Função Linear por Partes (piecewise) – definida pela equação 6, ilustrada no gráfico
da Figura 5. Assume-se que o fator de amplificação dentro da região linear de operação
é a unidade. Esta forma de ativação pode ser vista como uma aproximação de um
amplificador não-linear. As duas situações a seguir podem ser vistas como formas
especiais da função linear por partes:
16
• Se a região de operação é mantida sem entrar em saturação, surge um

combinador linear.
• A função linear por partes se reduz à função linear, se o fator de amplificação
da região linear é feito infinitamente grande.
(6)
Figura 5 – Gráfico função linear por partes
3. Função Sigmóide – é o modelo de função de ativação mais utilizado em projetos de

redes neurais. O gráfico desta função, ilustrado na Figura 6, forma um S, o que fornece
um comportamento de balanceamento adequado entre linear e não-linear, sendo ainda
17
estritamente crescente. Um exemplo de função sigmóide é a função logística, definida

pela equação 7.
(7)
onde, a representa o parâmetro de inclinação da função sigmóide. Variando-se a, obtém-se

diferentes inclinações desta função, com ilustrado na Figura 6.
Figura 6 – Gráfico função sigmóide
Ante as abordagens até aqui desenvolvidas, em síntese, pode-se definir

uma RNA como sendo um sistema de neurônios ligados por conexões sinápticas e dividido em
neurônios de entrada, que recebem estímulos do meio externo, podendo haver, neurônios
internos ou ocultos (hidden), organizados em camadas (layers) e neurônios de saída, que se
comunicam com o exterior.
Um modo de representar a estrutura genérica de uma RNA é através de
um grafo direcionado2, pelo fato que uma rede neural é uma estrutura de processamento de
2
Um grafo D=(V,E) é dito direcionado ou dirigido (dígrafo) se ele é constituído de um conjunto finito não
vazio V (os vértices) e um conjunto E (as arestas orientadas) de pares ordenados de vértices. Portanto, em um
dígrafo cada aresta (v,w) possui uma única direção de v para w (Szwarcfiter, 1986).
18
informação distribuída paralelamente. Nesta representação, os neurônios podem ser

simplificados como os nós deste grafo e as arestas (conexões) funcionam como as sinapses,
sendo a elas atribuídos os pesos. Também é possível representar camadas de uma RNA, que
compõem a sua estrutura: camada de entrada, camada(s) oculta(s) ou intermediária(s) e
camada de saída, conforme ilustrado na Figura 7.
Figura 7 – RNA representada em forma de Grafo.
4.1.4 Arquiteturas de RNAs
Um fator que define diretamente a arquitetura ou topologia de uma

RNA é o problema que será tratado pela rede e, neste contexto, devem ser considerados os
seguintes componentes: quantidades de camadas, números de neurônios em cada camada e
tipo de conexão entre os neurônios (Braga et al., 2000).
A seguir são destacados alguns dos principais exemplos de arquiteturas
de RNA, que demonstram as possíveis maneiras de conectar os componentes de uma RNA,
quanto ao número de camadas e tipos de conexões entre os neurônios (Haykin, 2001).
19
Quanto ao número de camadas:

• Redes com camada única – forma mais simples de uma rede em camadas, surge
quando tem-se uma camada de entrada que se projeta para a camada de saída,
como mostrado na Figura 8 (A) e (C);
• Redes com múltiplas camadas – distinguem-se de redes com camada única,
pela presença de uma ou mais camadas ocultas. A função das camadas ocultas é
extrair informações das amostras, conforme ilustrado na Figura 8 (B).
Quanto aos tipos de conexões entre neurônios:
• Feedforward ou acíclica – a saída do neurônio na i-ésima camada não pode ter
entradas com neurônios em camadas de índice menor ou igual a i, como
mostrado na Figura 8 (A) e (B);
• Feedback ou cíclica – a saída do neurônio na i-ésima camada tem entradas
com neurônios em camadas de índice menor ou igual a i, como mostrado na
Figura 8 (C).
Figura 8 – Exemplos de arquiteturas de RNAs

20
O trabalho desta tese foi desenvolvido com RNAs de arquitetura de

múltiplas camadas acíclica (Feedforward). O motivo da escolha desta arquitetura de RNA está
relacionado ao método de aprendizado adotado – aprendizado supervisionado, conforme será
abordado em seções posteriores e no capítulo de material e métodos.
4.1.5 Tarefas de aprendizagem
As RNAs podem ser aplicadas a diferentes tipos de tarefas, tais como:

o reconhecimento de padrões, associação de padrões, transformação de dados, predição,
controle de processos, aproximação de funções, entre outras. Exemplos de aplicações podem
ser encontrados em UCI-ML, 2004 - Osório & Bittencourt (2000) e em Zuben (2003).
Neste trabalho, a tarefa de aprendizagem adotada é o reconhecimento
de padrões (classificação), em função do principal objetivo ser a classificação do molhamento
foliar em forma de índices de molhamento.
A classificação é uma tarefa de previsão onde um conjunto de atributos
previsores (características) é usado para prever um atributo meta (rótulo). A tarefa consiste em
descobrir o relacionamento entre os atributos previsores e o atributo meta, usando o conjunto
de treinamento.
Segundo Haykin (2001), o reconhecimento de padrões é formalmente
definido como o processo pelo qual um padrão/sinal recebido é atribuído a uma classe dentre
um número predeterminado de classes (categorias). Uma RNA realiza o reconhecimento de
padrões passando inicialmente por uma sessão de treinamento, durante a qual se apresenta
repetidamente à rede um conjunto de padrões de entrada junto com a categoria à qual cada
padrão particular pertence. Mais tarde, apresenta-se à rede um novo padrão que não foi visto
antes, mas que pertence à mesma população de padrões utilizada para treinar a rede. A rede é
capaz de identificar a classe daquele padrão particular em virtude da informação que ela
extraiu dos dados de treinamento. O reconhecimento de padrões realizado por uma RNA é de
natureza estatística, com os padrões sendo representados por pontos em um espaço de decisão
multidimensional. O espaço de decisão é dividido em regiões, cada uma das quais associada a
uma classe. As fronteiras de decisão são determinadas pelo processo de treinamento. A
21
construção dessas fronteiras é tornada estatística pela variabilidade inerente que existe dentro
das classes e entre as classes.
Conforme já abordado, uma das propriedades mais importantes das
RNAs é o seu aprendizado, e a escolha de um algoritmo de aprendizagem particular é
influenciada pela tarefa de aprendizagem que uma rede neural deve executar (Haykin, 2001).
4.1.6 Processo de aprendizagem
Osório & Bittencourt (2000) definiram aprendizado natural como a

capacidade de se adaptar, de modificar e melhorar seu comportamento e suas respostas sendo,
portanto, uma das propriedades mais importantes dos seres ditos inteligentes, sejam eles
humanos ou não.
Do ponto de vista computacional, o aprendizado de máquina tenta fazer
com que os programas de computador “aprendam” com os dados que eles “estudam”, tal que
esses programas tomem decisões diferentes baseadas nas características dos dados estudados,
usando a estatística para os conceitos fundamentais, e adicionando heurística avançada da IA
aos algoritmos para alcançar os seus objetivos (Guimarães, 2005; Guimarães, 2001).
Em se tratando de RNA, segundo Haykin (2001), aprendizagem é um
processo pelo qual os parâmetros livres (pesos sinápticos) de uma rede neural são adaptados
através de um processo de estimulação pelo ambiente no qual a rede está inserida. O tipo de
aprendizagem é determinado pela maneira na qual a modificação dos parâmetros ocorre.
Esta definição do processo de aprendizagem implica a seguinte
seqüência de eventos:
1. A rede neural é estimulada por um ambiente;
2. A rede neural sofre modificações nos seus parâmetros livres como resultado desta
estimulação;
3. A rede neural responde de uma maneira nova ao ambiente, devido às modificações
ocorridas na sua estrutura interna.
O aprendizado conexionista é em geral um processo gradual e iterado,

onde os pesos são modificados várias vezes, pouco a pouco, seguindo-se uma regra de
22
aprendizado que estabelece a forma como estes pesos são alterados. O aprendizado é realizado
utilizando-se um conjunto de dados de aprendizado disponível (base de exemplos). Cada
iteração deste processo gradativo de adaptação dos pesos de uma rede neural, onde é feita uma
apresentação completa do conjunto de dados, é chamada de época ou ciclo de aprendizado. Os
métodos de aprendizado neural podem ser divididos em três grandes classes, segundo o grau
de controle dado ao usuário (Osório & Bittencourt, 2000).
• Aprendizado supervisionado – o usuário dispõe de um comportamento de
referência preciso, que ele deseja ensinar a rede. Sendo assim, a rede deve ser
capaz de medir a diferença entre seu comportamento atual e o comportamento
de referência, e então corrigir os pesos de maneira a reduzir este erro (desvio de
comportamento em relação aos exemplos de referência). Exemplo de aplicação:
reconhecimento de caracteres em uma aplicação do tipo OCR (Optical
Character Recognition – Osório apud Osório & Bittencourt, 2000).
• Aprendizado semi-supervisionado – o usuário possui apenas indicações
imprecisas (por exemplo: sucesso/insucesso da rede) sobre o comportamento
final desejado. As técnicas de aprendizado semi-supervisionado são chamadas
também de aprendizado por reforço (reinforcement learning - Sutton & Barto
apud Osório & Bittencourt, 2000). Exemplo: aplicações em robótica autônoma,
onde supondo uma situação hipotética, sabe-se que seguir em frente não é
possível, pois existe um obstáculo, mas em compensação não se tem uma
medida numérica que indique para que lado seguir e exatamente como se deve
proceder para desviar deste obstáculo.
• Aprendizado não-supervisionado – os pesos da rede são modificados em
função de critérios internos, tais como, a repetição de padrões de ativação em
paralelo de vários neurônios. O comportamento resultante deste tipo de
aprendizado é usualmente comparado com técnicas de análise de dados
empregadas na estatística (clustering). Exemplo: diferenciar tomates de
laranjas, sem ter, no entanto os exemplos com a sua respectiva classe etiquetada
(self-organizing feature maps – Kohonen apud Osório & Bittencourt, 2000).
23
Rohn & Mine (2003) destacaram que, para o aprendizado não é

necessário um conhecimento detalhado sobre as relações entre as variáveis envolvidas no
problema, contudo, as redes necessitam de uma quantidade considerável de dados históricos
para que consigam extrair satisfatoriamente as características relevantes existentes no conjunto
de dados. Se treinada corretamente, a rede é capaz não somente de aproximar qualquer função,
mas também de generalizar, proporcionando saídas corretas para entradas não apresentadas
anteriormente.
Generalização é a capacidade de um modelo de aprendizado responder
corretamente aos exemplos que lhe são apresentados, sendo que, estes exemplos não devem
estar presentes na base de aprendizado. Ou seja, um modelo que tem uma boa generalização é
aquele modelo que responde corretamente aos exemplos contidos na base de aprendizado,
mas, também a outros exemplos diferentes daqueles da base de aprendizado, e que estão
contidos em uma base de teste.
A capacidade de generalizar é a principal característica buscada nas
tarefas que envolvem aprendizado. Contudo, na tentativa de generalizar, uma RNA pode se
especializar demasiadamente em relação aos exemplos contidos na base de aprendizado. Este
tipo de comportamento gera um problema de aprendizado conhecido como super-aprendizado
(over-training / over-fitting), que pode ocorrer quando na arquitetura da RNA o número de
camadas e/ou neurônios for muito grande. Outra situação, é a rede não conseguir generalizar,
gerando o problema chamado de sub-ajuste (under-fitting), o qual pode ocorrer quando o
número de camadas e/ou neurônios for muito pequeno.
4.1.7 Modelos de aprendizagem
Os modelos de aprendizagem estão relacionados ao ajuste dos pesos e

podem ser implementados por diferentes métodos, segundo o tipo de regra de aprendizado que
for empregado. As regras de aprendizado mais usadas são (Ribeiro, 2003; Osório &
Bittencourt, 2000):
• Aprendizagem por Correção de Erro – a rede é estimulada por um vetor de

entrada e sua saída desejada. A regra de ajuste consiste em achar o erro
24
subtraindo a resposta desejada com a resposta da rede, calculando o gradiente

descendente da função do erro.
• Aprendizagem Baseada em Memória – usa-se arquitetura de redes alimentadas
com camada única de modo supervisionado. A maioria das amostras de treino é
armazenada em uma grande memória de exemplos de entrada-saída. Um
exemplo simples de aprendizagem baseada em memória é a regra do vizinho
mais próximo, onde a rede classifica de acordo com a distância euclidiana entre
os vetores de treino.
• Aprendizagem competitiva – na camada de saída da rede, após receber as
características dos objetos na camada de entrada, os neurônios competem entre
si, e o neurônio que tiver o maior valor discriminante, se torna vencedor.
As regras de aprendizagem se constituem como elementos básicos para

o projeto de redes neurais artificiais.
4.1.8 Perceptron de camada única
A partir do modelo de neurônio artificial de McCulloch & Pitts

(Mcculloch & Pitts, 1943), em 1957 Frank Rosenblatt (1958) propôs o perceptron como o
primeiro modelo para aprendizagem supervisionada. O perceptron é a forma mais simples de
uma RNA usada para classificação de padrões ditos linearmente separáveis, ou seja, padrões
que se encontram em lados opostos de um hiperplano (Haykin, 2001).
Rosenblatt provou que, se os padrões (vetores) usados para treinar o
perceptron são retirados de duas classes linearmente separáveis, então o algoritmo do
perceptron converge e posiciona a superfície de decisão na forma de um hiperplano entre as
duas classes. A prova de convergência é conhecida como o teorema de convergência do
perceptron.
Basicamente, o perceptron consiste de um único neurônio limitado a
realizar classificação de padrões com apenas duas classes (hipóteses), com pesos sinápticos
ajustáveis e um bias.
25
Na Figura 9, está ilustrado o modelo perceptron, onde foram adotadas

5 entradas representadas por X1,..X5, cada entrada do neurônio tem um peso (sinapse) W1,...
W5, W0 representa o bias, d é a saída intermediária e O corresponde a saída ativada da rede.
Fonte: Medeiros (2003)

Figura 9 – Modelo perceptron
Os pesos têm como finalidade armazenar o conhecimento e determinar

a intensidade com que cada entrada contribuirá no resultado do neurônio. Para emular um
neurônio biológico, é realizado um somatório dos valores do produto de suas entradas com
seus respectivos pesos, XiWi, adicionando-se o bias, cujo resultado obtido corresponde à saída
intermediária d, posteriormente este valor é submetido à função de ativação, ou seja,
d = X1 W1 + X2 W2+ X3 W3+ X4 W4+ X5 W5+ W0 (8)
Para calcular a saída ativada O (output) a função de ativação tem por

finalidade avaliar o resultado da saída intermediária (d) do seguinte modo: se o resultado
26
obtido em d for maior ou igual a 0 (zero), O (saída ativada) será igual a +1 (um); se d for
menor que 0 (zero), O será igual a -1 (menos 1).
No sentido de estabelecer uma abordagem prática de uso do modelo
perceptron, a seguir, desenvolve-se um exemplo simples de aplicação, adaptado de Ramos
(2003), cujo domínio de aplicação é a classificação de frutos.
Segundo Ramos (2003), no processo de classificação artificial de
frutos, faz-se necessário o desenvolvimento de modelos que permitam estabelecer o
relacionamento entre a entrada de padrões de classificação (entradas), análise/processamento
dessa informação e convergência para uma saída de classificação definida (saída). A rede
neural deve aprender a reconhecer padrões de entrada e definir a saída segundo classes
definidas, ou seja, dado um determinado padrão de entrada, escolher em que categoria esse se
enquadra melhor.
Para exemplificar, os padrões de entrada considerados são valores que
correspondem às propriedades físicas do fruto, peso e diâmetro. O modelo perceptron deve
aprender a relação entre os padrões de entrada e as classes desejadas na saída.
Hipoteticamente, considera-se que, em média, os frutos que tenham no máximo 5 cm de
diâmetro sejam os maiores e os próximos de 1 cm sejam os menores, havendo evidentemente,
tamanhos intermediários dentro desta faixa. Quanto ao peso, frutos que tenham 50 gramas de
peso, são os maiores e os de 5 gramas, os menores. Do mesmo modo, como em relação ao
diâmetro, há pesos diferentes dentro desta faixa. Os perceptrons terão que classificar os frutos
com certo peso e diâmetro de acordo com duas classes, A ou B.
Assume-se que os pesos foram calculados mediante um processo de
treinamento e que se têm dois pesos para cada perceptron, conforme Tabela 1.
Tabela 1 – Treinamento de perceptron para classificação de frutos
Perceptron W1 (diâmetro) W2 (peso) W0

1 0,021 0,022 -1
2 -0,023 -0,019 1
Uma vez que os pesos já tenham sido definidos, pode-se classificar um

conjunto de frutos que supostamente não estiveram no conjunto de treinamento (conjunto de
27
teste), calculando as saídas de cada perceptron e definindo que, se a saída ativada O para o
perceptron 1 for +1, o fruto pertence a classe A, se a saída ativada O para o perceptron 2 for
+1, o fruto é de classe B, como pode ser observado na Tabela 2.
Tabela 2 – Conjunto de dados para classificação de frutos
Fruto X1(diâmetro) X2 (peso) D1 d2 O1 O2 Classe

1 15 7 -0,53 0,52 -1 1 B
2 30 15 -0,04 0,02 -1 1 B
3 50 25 0,60 -0,62 1 -1 A
4 20 8 -0,40 0,38 -1 1 B
5 40 22 0,32 -0,33 1 -1 A
Neste exemplo é demonstrado como se pode utilizar uma RNA do tipo

perceptron para obter a classificação de padrões. Foram consideradas duas classes e duas
variáveis de entrada para os perceptrons. A partir destes dados, pode-se representar os
perceptrons num sistema cartesiano com as variáveis diâmetro e peso para cada eixo, e
representar os pontos do conjunto de teste da Tabela 2, conforme o gráfico da Figura 10.
Figura 10 – Gráfico perceptron 1 e 2 – classificação de frutos

28
A classificação dos padrões desta rede exemplo, de acordo com os

valores dos pesos assumidos anteriormente, pode ser representada através de retas cortando o
gráfico (Figura 10), cujas linhas podem ser interpretadas como um mapa das regiões de
decisão no espaço de sinal bidimensional, abrangido pelas 2 variáveis de entrada X1, X2, onde,
um ponto (X1, X2) que se encontra acima da linha de fronteira é atribuído à classe A, e um
ponto (X1, X2) que está abaixo da linha de fronteira é atribuído à classe B. O efeito do bias W0
é deslocar a fronteira de decisão em relação à origem. Deste modo, conforme os resultados da
Tabela 2, os frutos 3 e 5 pertencem a classe A e os 1, 2 e 4 à classe B.
Percebe-se neste exemplo que, para o perceptron funcionar
adequadamente, as duas classes estabelecidas para o problema devem estar linearmente
separáveis, ou seja, os padrões a serem classificados devem estar suficientemente separados
entre si para assegurar que a superfície de decisão consista de um hiperplano (neste caso uma
linha reta) como fronteira de decisão (Haykin, 2001).
Haykin (2001) e Medeiros (2003) destacaram as limitações do
perceptron para problemas que não são linearmente separáveis. Uma limitação é quando um
ponto (X1, X2) que se encontra entre as linhas de fronteira, ou seja, fora das classes definidas.
Uma possível solução seria aumentar o conjunto de treinamento para refinar mais os pesos
obtidos, contudo, pode não haver uma divisão bem definida das classes, o que pode provocar
erros de classificação, ou ainda, as características do problema considerado, não permite uma
divisão clara entre duas ou mais classes, mesmo através de linhas bem definidas.
Outra situação é o fato de determinado problema ser tratado com três
ou mais classes, o que também caracteriza um problema não separável linearmente. Para
problemas não separáveis linearmente, utiliza-se mais camadas na rede, para obter uma
divisão do espaço de maneira mais precisa e neste contexto as redes perceptron de múltiplas
camadas são utilizadas.
4.1.9 Perceptron de múltiplas camadas
Estas RNAs são normalmente chamadas de perceptron de múltiplas

camadas ou multilayer perceptron (MLP), as quais se caracterizam como uma generalização
do perceptron de camada única (Haykin, 2001).
29
Considerando como estrutura básica da rede o modelo de neurônio

perceptron (Figura 9), tipicamente uma rede MLP possui uma camada de entrada, uma ou
mais camadas ocultas e uma camada de saída. Na Figura 11, está ilustrada a arquitetura de
uma rede MLP com uma camada de entrada composta por três neurônios, duas camadas
ocultas ou intermediárias, cada uma composta por quatro neurônios, e uma de saída, com dois
neurônios. Percebe-se neste modelo, que qualquer neurônio em qualquer camada da rede está
conectado a todos os neurônios das camadas anteriores.
Figura 11 – Arquitetura de RNA MLP com duas camadas ocultas
Os perceptrons de múltiplas camadas têm sido aplicados com sucesso

para resolver diversos problemas difíceis, através do seu treinamento de forma supervisionada
com retropropagação de erro (Haykin, 2001). Exemplos dessas aplicações são citados em
Braga et al. (2000), a saber: reconhecimento de caracteres, previsão do comportamento de
ações na bolsa, verificação de assinaturas, segurança em transações com cartões de crédito,
diagnóstico médico entre outros. Alguns trabalhos específicos estão descritos em Abelém
(1994), Andrade et al. (2003), Bocanegra (2002), Dias et al. (2004), Dias et al. (2004a),
30
Diverio et al. (2003), Franco & Martins (1999), Freitas et al. (2002), Galo (2000a), Galo et al.
(2000b), Giovanini & Coury (1999), Gleriani (2004), Gonçalves (2003), Mathias et al. (2004),
Medeiros (1999), Muller & Fill (2003), Pernomian & Trindade al. (2003), Rohn et al. (2003),
Ramos (2003), Ribeiro (2003), Santos et al. (1999), Segatto et al. (2003), Senger & Caldas
Junior (2001), Tinós (1999), Tápia et al. (2000), Weinert & Lopes (2003).
Rumelhart, Hinton e Williams (Rumelhart et al., 1986) apresentaram
em 1986 a descrição do Algoritmo de Retropropagação de erro (error back-propagation) para
arquitetura do perceptron de múltiplas camadas. Este algoritmo é baseado na regra de
aprendizagem por correção de erro, tema da próxima seção.
4.1.10 Algoritmo de retropropagação de erro (error back-propagation)
Conforme abordagens encontradas em Haykin (2001), Medeiros

(2003), Paula (2000), Pessoa & Freire (1998) e Ribeiro (2003), nas linhas seguintes descreve-
se as principais características do algoritmo de aprendizagem back-propagation (Backprop)
para o treinamento de redes MLP.
Enquanto Rosenblatt (1958) trabalhava no perceptron, Bernard
Widrow da Universidade de Stanford com a ajuda de alguns estudantes desenvolveram um
novo modelo de processamento de redes neurais chamado de Adaline (ADAptive LINear
Element), o qual se destacava pela sua poderosa lei de aprendizado. O princípio de
treinamento para as redes Adalines, ficou conhecido como a Regra Delta, que foi mais tarde
generalizada para redes com modelos neurais mais sofisticados. Mais tarde, Widrow criou a
Madaline, que era uma generalização multidimensional do Adaline.
Nos anos seguintes, muitos artigos foram publicados e várias previsões
exageradas e pouco confiáveis para a época foram anunciadas. A maioria destas suposições
falava de computadores com um poder de raciocínio e/ou processamento igual ou superior ao
do cérebro humano. Desta forma, a credibilidade de futuros estudos das RNAs foram
fortemente comprometidos.
No início da década de 80, muitos pesquisadores publicaram inúmeras
propostas para a exploração de desenvolvimento e pesquisa em redes neurais. Foi quando o
administrador de programas da DARPA (Defense Advanced Research Projects Agency) Ira
31
Skurnick resolveu dar atenção às proposições da neurocomputação, contrariando todos os

preceitos, fundando em 1983 as pesquisas em neurocomputação da DARPA.
Este fato acabou abrindo novos horizontes para a neurocomputação. O
físico e biólogo de reputação mundial John Hopfield também se interessou pela
neurocomputação e escreveu vários artigos em 1982 que levaram outros cientistas a se unirem
nesta nova área emergente. Hopfield reascendeu as pesquisas em neurocomputação, criticando
fortemente as teorias apresentadas por Minsky e Papert, na década de 50.
Este campo de pesquisa iniciou, realmente, em 1986, quando o
professor de psicologia da Universidade de Stanford, David E. Rumelhart, e seu colega James
L. McClelland, professor de psicologia da Universidade de CarnegieMellon, publicaram o
livro Parallel Distributed Processing: Explorations in the Microstructure of Cognition (vol.1:
Foundations, vol.2: Psychological and Biological Models). Nesse livro, eles apresentam um
modelo matemático e computacional que propicia o treinamento supervisionado dos neurônios
artificiais. Surgia, então, o algoritmo back-propagation, um algoritmo de otimização global
sem restrições.
O método de aprendizado back-propagation pode ser aplicado a
qualquer rede que usufrui de uma função de ativação diferencial e aprendizado
supervisionado. Assim como a regra delta, sua otimização é baseada no gradiente descendente,
que ajusta os pesos para reduzir o erro da rede.
Durante a fase de treinamento, os sinais/padrões de entrada são
apresentados à RNA, cada padrão de treinamento é propagado adiante, camada após camada,
até a produção do sinal/padrão de saída. A saída computada pela rede é então comparada com
uma saída desejada. Esta comparação gera um valor que determina o erro. Este erro é utilizado
como uma realimentação para as conexões, que resultam no ajuste dos pesos sinápticos de
cada camada num sentido oposto à propagação dos sinais de treinamento. Os acoplamentos
retrógrados somente existirão na fase de treinamento, considerando que as conexões adiante
(sentido entrada saída) são usadas durante a fase de treinamento e uso da rede.
Fazendo o uso do back-propagation, as camadas ocultas terão os seus
pesos ajustados de acordo com as camadas subseqüentes, i.e, com as camadas seguintes. Deste
modo, os erros computados na camada de saída serão usados para ajustar os pesos entre a
última camada escondida ou oculta com a camada de saída. Assim, o erro calculado de uma
32
camada oculta será usado para ajustar os pesos da camada oculta anterior. Este processo será
repetido até que a primeira camada oculta seja ajustada. Desta forma, os erros serão
retropropagados camada a camada com as devidas correções. Rotina esta que será realizada de
uma maneira repetitiva, ajustando os pesos das respectivas camadas.
O processo é repetido para cada padrão de dados durante o treinamento
até que o erro total da saída tenha convergido a um valor mínimo, ou até que algum limite
predeterminado de iterações tenha sido completado.
Pode-se, então, criar duas fases para o algoritmo de treinamento do
back-propagation. Cada fase percorre um sentido da rede. A primeira fase, chamada de
propagação (forward), define a saída da rede para um determinado padrão de dados de
entrada. A segunda e última retropropagação (backward) está incumbida de utilizar a saída
desejada/esperada e a saída fornecida pela última camada da rede para ajustar os pesos
sinápticos da rede neural. Na Figura 12, observa-se, esquematicamente, a direção destes dois
fluxos básicos de sinais em uma rede MLP.
Figura 12 – Fluxo de treinamento de uma MLP c/back-propagation

33
Conforme descrito em Paula (2000), segundo Carvalho & Ludemir

(1998), pode-se definir os passos do seguinte modo:
Propagação (Forward):
1. Os padrões de entrada são apresentados à primeira camada c1 que compõe a rede;

2. Para cada camada ci a partir da camada de entrada:
2.1. Os sinais de saída do neurônio da camada ci irão alimentar a entrada da camada
ci+1, i.e, serão os sinais de entrada para a próxima camada;
3. Os sinais provenientes da última camada serão comparados com os sinais desejados.
Retropropagação (Backward):
1 Da última camada da rede até a primeira [n → 1];

1.1 Os neurônios artificiais da camada ca (camada atual) devem ajustar seus pesos
sinápticos de forma a reduzir seus erros;
1.2 O erro de um neurônio das camadas intermediárias, c[2, n-1], por exemplo, ci, será
calculado utilizando os erros retropropagados dos neurônios que pertencem às
camadas seguintes conectados a ele, no caso, ci+1, os quais serão ponderados
pelos pesos das conexões entre eles.
Back-propagation:
1. Inicializar a rede (pesos sinápicos);
2. Repita
2.1. Para cada padrão/dados de treinamento P[x], para todo x ε [1 , n], sendo n o
número total de amostras do conjunto de treinamento.
2.1.1. Calcular a saída (S) da rede utilizando a fase forward;
2.1.2. Comparar a saída (S), calculada no item 2.1.1, com as saídas desejadas;
2.1.3. Realizar atualização dos pesos sinápticos fazendo o uso da fase
backward;
3. Até o erro ser mínimo ou até x épocas.
34
Dentre as características que norteiam o funcionamento do algoritmo

de aprendizado back-propagation, um detalhe importante é a repetição (ciclos) em um
determinado número de vezes (x) que o par amostra-resultado (saída) é submetido para que a
rede possa, efetivamente, aprender. Estas repetições são chamadas épocas de treinamento
(ciclos).
Na atualização dos pesos sinápticos, o algoritmo back-propagation
fornece também uma aproximação, cujo parâmetro é um índice variando entre 0 (zero) e 1
(um), chamado de taxa de aprendizagem, o qual tem por finalidade determinar quanto do valor
atual da sinapse será alterado na próxima época. Quanto menor for este parâmetro, menor
serão as variações dos pesos sinápticos da rede, de uma iteração para a outra, e mais suave será
a trajetória no espaço de pesos. Esta melhoria, entretanto, é obtida à custa de uma evolução de
aprendizagem lenta. Por outro lado, caso utilize-se um parâmetro muito alto, para acelerar a
aprendizagem, as grandes modificações nos pesos resultantes podem tornar a rede instável
(oscilatória) (Haykin, 2001).
Outra forma de atualização dos pesos é não utilizar uma taxa fixa, mas
variável. Em alguns casos, pode-se orientar o algoritmo para que, quanto mais próximo estiver
do valor ideal do peso, menor a taxa de atualização ou aprendizagem. Também pode ser
utilizado, na atualização do peso, uma parcela proporcional à atualização anterior, denominado
momento ou inércia (Medeiros, 2003).
O processo de atualização dos pesos é chamado de convergência, ou
seja, uma rede converge seus pesos para determinados valores quando o erro global diminui a
cada época de treinamento.
Como já visto, para diminuir os erros da rede, o algoritmo back-
propagation é baseado no gradiente descendente (gradient descent), o qual se baseia no erro
existente entre o resultado ideal ou desejado e o resultado obtido. A relação entre o erro
existente e os pesos são feitos de forma que o algoritmo calcula a direção do menor erro no
espaço de pesos. Porém, não os atualiza de uma vez, mas em pequenas diferenças (positivas
ou negativas). Estas diferenças são passadas para trás (retropropagadas) na rede, atualizando
para cada par amostra-resultado apresentado. Efetuando-se o processo para o conjunto de
treinamento por várias épocas, a expectativa é que o erro seja diminuído gradativamente. Se o
35
erro é diminuído, a obtenção de dados próximos aos desejados é a conseqüência e a rede fica
apta, então, a executar o processo para o qual foi projetada (Medeiros, 2003).
Neste mecanismo observa-se que o cálculo dos valores dos pesos
sinápticos da rede não é um processo exato, ou seja, os valores são obtidos por meio de um
processo de tentativa e erro, até que se obtenha um resultado adequado ao problema proposto.
Medeiros (2003) descreveu graficamente de forma simplificada a
evolução do processo de convergência dos pesos para um valor de mínimo erro. Na Figura 13,
o eixo vertical representa o erro global E (diferença média quadrática entre as saídas desejadas
e saídas calculadas). No eixo horizontal, são representados os valores que um peso w pode
assumir. Reproduz-se, então, a curva referente ao erro apresentado, conforme o valor do peso.
O processo da descida de gradiente direciona o valor do peso para
onde está o mínimo erro e, assim, o algoritmo executa passo a passo a atualização do valor do
peso até aonde o erro minimiza (Emim). Nesta ilustração, a convergência do valor do peso é
representada como Winicial, para chegar próximo a Wfinal, as setas ao lado da curva representam
a direção do gradiente dando o sentido do mínimo erro global.
Figura 13 – Gráfico erro global x peso

36
O Back-propagation é um algoritmo de aprendizagem eficiente e

utilizado por diversos autores, porém, sua implementação normalmente exige muitos passos e,
assim, um tempo de treinamento longo. Há muitos estudos, baseados em heurísticas e em
técnicas de otimização, para apressar a convergência do algoritmo, com o objetivo de melhorar
sua eficiência em relação ao tempo de treinamento (Andrade et al., 2003).
Dentre estes estudos, destaca-se o de Riedmiller & Braun (1993) que
propuseram o algoritmo Resilient Propagation (Rprop), o qual corresponde a um método que
efetua uma adaptação direta na alteração dos pesos, baseada em informações de gradiente
locais.
4.1.11 Algoritmo resilient propagation (Rprop)
Conforme Riedmiller & Braun (1993), a idéia principal é eliminar a

influência do tamanho das derivadas parciais nos cálculos dos pesos e, deste modo, considerar
somente a indicação do sinal da derivada parcial na atualização dos pesos. Dessa forma, se a
derivada for pequena ele não dá passos pequenos, o que causaria uma lentidão no processo de
treinamento.
Cada peso tem seu valor individual de atualização ∆ij que determina
apenas o tamanho da alteração no respectivo peso. Esse valor individual de atualização evolui
durante o processo de aprendizado, com base na observação local da função de erro E, de
acordo com a seguinte regra de aprendizado:
(9)
37
Esta regra de aprendizado expressa a seguinte situação: cada vez que a

derivada parcial do peso correspondente wij troca seu sinal, o qual indica que a última
atualização foi muito grande e o algoritmo pulou sobre um mínimo local, o valor de
atualização ∆ij é decrementado pelo fator η . Se a derivada retém seu sinal, o valor de
-
atualização é ligeiramente incrementado para acelerar a convergência nas regiões rasas.

Uma vez que o valor de atualização para cada peso é adaptado, a
adaptação do peso segue uma regra simples: se a derivada é positiva (erro crescente), o erro é
decrementado pelo seu valor de atualização, se a derivada é negativa, o valor de atualização é
somado:
(10)
(11)
Entretanto, há uma exceção à essa regra, que ocorre quando a derivada

parcial troca o sinal, i.e. quando o passo prévio é muito largo e o algoritmo pula sobre um
mínimo local, a atualização prévia do peso é revertida:
(12)
Devido a essa reversão no peso do passo, a derivada deverá trocar

novamente de sinal durante o próximo passo somente uma vez. Para evitar uma dupla
modificação do valor de atualização, não deve haver nenhuma atualização do valor no passo
38
seguinte. Isto se faz atribuindo zero na derivada parcial do passo t – 1, na regra da Equação 12
em ∆ij.
Os valores de atualização e os pesos são trocados toda vez que o
conjunto padrão todo for apresentado uma vez para a rede (aprendizado por época).
Neste contexto, o tamanho da atualização dos pesos depende apenas da
seqüência de troca de sinais das derivadas parciais, não dependendo da magnitude das
mesmas. Dessa forma, os pesos distantes da camada de saída têm a mesma oportunidade de
aprendizado daqueles próximos à camada de saída, resultando em um modo de distribuição de
aprendizado homogêneo pela RNA, melhorando a eficiência no processo de aprendizado.
Diferentemente do algoritmo back-propagation, onde um dos aspectos
da descida do gradiente é que o valor da derivada decresce exponencialmente com a distância
entre o peso e a camada de saída da RNA. Deste modo, pesos muito distantes da camada de
saída são menos modificados e, consequentemente, o aprendizado torna-se mais lento.
Nas próximas seções deste capítulo, serão abordados temas que
norteiam o foco agronômico desta tese.
4.2 Molhamento foliar
A umidade constitui-se num dos fatores mais importantes que

influenciam no desenvolvimento das doenças das plantas. A umidade, medida em termos de
quantidade e duração, é essencial para que haja infecção pela maioria dos fungos e bactérias,
agentes causais de doenças (Silva et al., 2001a).
Vários autores evidenciam a importância da Duração do Período de
Molhamento Foliar (DPMF), como um dos fatores relacionados a germinação de esporos e
penetração nos hospedeiros, desencadeando processos infecciosos nas culturas em geral e,
conseqüentemente, a evolução de epidemias em escala regional (Buzzerio, 2001; Leite, 2002;
Monteiro, 2002; Noronha, 2002; Pinto et al., 2002; Pivonia & Yang, 2004; Rajvanshi, 1991;
Sentelhas, 1992; Sentelhas et al., 1993; Sentelhas, 2004; Silva et al., 2001a; Silveira et al.,
2001; Tsukahara, 2004).
Uma vez que o orvalho é dificilmente medido em estações
meteorológicas e a DPMF das folhas é de grande importância para o estudo da relação
39
patógeno3 – hospedeiro, torna-se importante a sua estimativa para cada localidade, a fim de se
compreender a dinâmica e evolução de epidemias regionalmente, objetivando o uso racional
de defensivos agrícolas, com redução dos custos de produção e, também, dos impactos
ambientais (Tsukahara, 2004).
4.2.1 Orvalho
Orvalho é o nome que se dá às gotas de água que se formam na

superfície de objetos que permanecem ao relento, durante a noite, resultantes da condensação
do vapor de água contido no ar. Forma-se nas noites claras, porque nelas as superfícies
descobertas irradiam calor para a atmosfera. A maior parte dos objetos, inclusive as folhas de
plantas e pétalas de flores, irradiam calor melhor do que o ar. Durante a noite, quando essa
perda de temperatura não é compensada por uma produção eficiente de calor no interior do
objeto, sua superfície fica mais fria que o ar. As superfícies resfriadas esfriam o ar que está a
sua volta e este, se for suficientemente úmido, baixa a temperatura até o ponto de orvalho. O
vapor de água contido no ar se condensa e adere às superfícies resfriadas, transformado em
orvalho (Benton, 1970).
Ponto de orvalho é a designação dada à temperatura de saturação do ar
úmido, abaixo da qual o vapor contido ali se condensa e precipita-se em forma de gotículas.
Podem ocorrer dois tipos de orvalho: o primeiro se forma quando o
vapor de água se difunde no ar em direção ao solo, este processo é conhecido como
precipitação de orvalho; o outro, pelo vapor de água que se difunde da superfície do solo, cujo
processo é conhecido como destilação de orvalho (Sentelhas, 1992).
4.2.2 Molhamento foliar por orvalho
A formação de orvalho depende da temperatura e da umidade relativa

do ar, de forma que, quanto maior a temperatura, maior a quantidade de vapor de água que o ar
3
É o microorganismo causal da doença que vive numa relação parasitária com o hospedeiro ou planta cultivada.
As doenças causadas por microorganismos envolvem fungos, bactérias, vírus, protozoários e nematóides (Melo,
2004).
40
pode reter (Roman, 1999), sendo que, os fluxos de vapor da superfície são influenciados pela
radiação solar, temperatura, umidade e velocidade do vento (Burrage apud Sentelhas, 1992).
A temperatura como um fator de ponto de orvalho, é um parâmetro
geofísico importante que indica o estado do conteúdo de umidade no ar sob determinadas
condições, e é vital para calcular vários parâmetros agrometeorológicos, inclusive a
evapotranspiração (Hubbard et al., 2003).
Um aspecto importante na duração do molhamento foliar é o fato de
que a quantidade e a duração do orvalho sobre as folhas de uma planta não dependem somente
das condições meteorológicas locais, mas também da estrutura da planta, estádio fenológico4,
posição e geometria da folha, além de suas propriedades térmicas, dificultando assim o
registro deste parâmetro em estações meteorológicas convencionais (Monteiro, 2002; Sutton et
al., 1984).
Com relação a estrutura da planta, conforme um estudo realizado por
Burrage (apud Sentelhas, 1992), sobre o orvalho na cultura do trigo, o mesmo verificou uma
maior quantidade de orvalho formada nas partes mais altas da cultura, contudo a DPMF nas
diferentes alturas da planta foi semelhante.
Para se medir a DPMF, de acordo com Miranda et al. (2000), os
mecanismos mais utilizados são os sensores mecânicos, representados pelo aspergígrafo e
orvalhógrafo, além dos sensores eletrônicos, que tentam simular uma folha e/ou fruto
específico.
Aspergígrafo é um registrador de DPMF que se caracteriza por possuir
um elemento sensível formado por fios de cânhamo que se contraem pelo molhamento e se
distendem pelo secamento. As variações de comprimento desses fios são registradas por uma
pena num diagrama localizado sobre um mecanismo de relojoaria.
O orvalhógrafo registra a DPMF por medidas da variação do peso do
orvalho acumulado sobre um pequeno prato metálico exposto, que funciona como elemento
sensível. O prato aciona, através de um sistema de alavancas, uma pena que registra o
movimento num diagrama situado no sistema de relojoaria.
4
Referente a fenologia que corresponde a parte da botânica que estuda vários fenômenos periódicos das plantas,
como a brotação, a floração, e a frutificação, marcando-lhes as épocas e os caracteres.
41
Com o advento da microeletrônica e o desenvolvimento e a

popularização dos sistemas automáticos de aquisição de dados, atualmente os sensores
eletrônicos são os mais empregados (Sentelhas, 2004).
Monteiro (2002) citou uma crescente demanda por sensores para
determinação do molhamento, destacando-se os que detectam a mudança de resistência ou
impedância em função do molhamento do sensor, porém o mesmo afirma que estes sensores
de aquisição automática de dados demonstram grandes divergências nas determinações da
duração do período de molhamento, mesmo em curtos intervalos de tempo.
Para minimizar estas divergências, Sentelhas (2004) destacou que a
pintura dos sensores com duas ou três camadas de tinta látex branca, aumenta a habilidade do
sensor em detectar pequenas quantidades de molhamento, ou seja, gotículas com menos de 1
mm de diâmetro, e também submeter os sensores a um tratamento térmico em estufa, com
temperatura entre 60 e 70oC por 12 horas, para remoção ou desativação de componentes
higroscópicos5 da tinta. São procedimentos importantes para a estimativa da duração do
período de molhamento através de sensores eletrônicos.
4.2.3 Estimativa da DPMF
As dificuldades de medição do período de molhamento através de

aparelhos registradores levaram ao emprego crescente de dados de estações meteorológicas
padrões em modelos de estimativa da duração do período de molhamento, através de
regressões lineares simples e múltiplas, para uso em programas de manejo de doenças em
plantas (Tsukahara, 2004).
Conforme descrito em Tsukahara (2004), Crowe et al. (1978)
utilizaram dados de uma estação meteorológica padrão para a estimativa da DPMF na cultura
do trigo. Desenvolveram equações de regressão múltipla, envolvendo variáveis como umidade
relativa do ar, velocidade do vento e temperatura mínima, obtendo acurácia de 71%, a qual foi
elevada para 85% com a inclusão da umidade do solo. Esses resultados foram contestados por
Getz (1979), uma vez que o padrão de medida da DPMF utilizado pelos autores foi o número
5
Material ou substância que tem grande afinidade pelo vapor de água, sendo capaz de retirá-lo de uma atmosfera
ou eliminá-lo de uma mistura gasosa.
42
de horas de umidade relativa maior ou igual a 90% obtido em registrador tipo Taylor, ambos
não aconselháveis como padrão devido aos erros que apresentam.
Tsukahara (2004) concordou com Sentelhas (1992) e Amador (1987),
em que a estimativa da DPMF através da simples soma do número de horas com umidade
relativa do ar maior ou igual a 90%, obtida em termohigrógrafo6 localizado no posto
meteorológico, 1,5 metros acima do plano horizontal, não apresenta resultados confiáveis.
Amador (1987), através de regressão linear simples, desenvolveu uma
equação para estimativa do período de molhamento para a cultura do feijoeiro tendo como
base parâmetros observados no posto meteorológico. Assim, o molhamento foi estimado em
função do número de horas com umidade relativa do ar maior ou igual a 90%, alcançando um
valor de R2 = 0,55 a 1% de probabilidade. Acréscimos dos registros de velocidade do vento e
temperatura mínima não melhoraram o desempenho das equações.
Sentelhas (1992) avaliou o molhamento na cultura do trigo através de
medidas obtidas em posto meteorológico padrão e obteve valores de R2=0,34, a 5% de
probabilidade, quando realizou regressões lineares simples entre a Duração do Período de
Molhamento Visual (DPMV) e o número de horas com umidade relativa do ar maior ou igual
a 90%. Quando foram utilizados os registros obtidos no dossel da cultura (microclima), o
coeficiente de determinação (R2) aumentou para 0,89.
Sentelhas (2004), em sua tese de livre docência, fez uma profunda
análise a respeito da DPMF, especialmente com relação aos aspectos operacionais de sua
medida, de sua variabilidade espacial em diferentes culturas e de sua estimativa por diversos
métodos, de modo a se determinar uma condição de referência para sua medida e a relação
dessa DPMF de referência com a DPMF em diferentes culturas. Dentre suas conclusões, pode-
se destacar que, a medida da DPM em diversas posições de diferentes culturas mostrou que
essa variável é afetada não somente pelas condições climáticas, mas também pela estrutura,
arquitetura, arranjo e altura das plantas, fatores esses que controlam o microclima.
6
Aparelho que registra simultaneamente a temperatura e a umidade relativa do ar, cujo sensor é um fio de
cânhamo ligado a uma pena que faz os registros em papel colocado e um sistema de relógio.
43
4.2.4 Principais fatores no desenvolvimento de doenças em plantas
Zahler et al. (1991) apontaram as variáveis meteorológicas, como

sendo os fatores que exercem maior influencia na ocorrência de doenças em plantas, onde são
citadas como principais, a DPMF e a temperatura do ar durante o período de molhamento,
seguidos da umidade relativa do ar, precipitação pluvial e vento.
Para o entendimento e quantificação da ocorrência de doenças em
plantas, a observação contínua dessas variáveis, assim como da cultura e do patógeno, são
necessárias (Sutton et al., 1984).
A temperatura e a umidade na superfície da planta são os fatores
ambientais que afetam mais intensamente o início e o progresso de doenças infecciosas em
plantas. Os patógenos diferem em suas preferências por alta ou baixa temperatura, uma vez
que a mesma afeta a germinação de esporos e o número de esporos formados (Silveira et al.,
2001). Esses fatores do ambiente influenciam o hospedeiro e o patógeno e, às vezes, os vetores
dos patógenos (Sentelhas, 1992).
De modo geral, o efeito da temperatura sobre a atividade do patógeno
é menos marcante que aquele exercido pela umidade. A maioria dos patógenos,
particularmente aqueles presentes em regiões tropicais e subtropicais, é capaz de crescer em
uma ampla faixa de temperatura, o que significa que a relação temperatura-molhamento varia
conforme o patógeno (Monteiro, 2002).
Como exemplo, Canteri et al. (1999), em estudos da ocorrência de
mancha angular (Phaeoisariopsis griseola) nos cultivares de feijão Rosinha e Carioca,
observaram a máxima severidade de infecção na faixa de temperatura entre 21 e 25ºC, e o
menor período de incubação a 25ºC, não tendo sido observado o desenvolvimento de sintomas
em temperaturas inferiores a 6ºC e superiores a 29ºC.
De acordo com pesquisas realizadas por Burrage (apud Sentelhas,
1992), em estudos de fitopatossistemas, a DPMF é mais importante em um processo de
infecção, do que a quantidade de água depositada sobre as folhas.
Um outro fator de grande importância em processos epidêmicos de
plantas são as chuvas, porque as mesmas dispersam o inóculo, reduzem a luminosidade e
44
provocam quedas de temperatura, aumentando a probabilidade de formação de orvalho por

dias seguidos (Eversmeyer & Burleigh apud Sentelhas, 1992).
Entre os diversos parâmetros climáticos possíveis de serem medidos
ou estimados, pode-se afirmar que o orvalho (ou a DPMF) é o que mais se correlaciona com o
início dos processos infecciosos na cultura do trigo, visto que a maioria dos esporos de fungos
foliares patogênicos necessita de um filme de água sobre as folhas, por um determinado
tempo, para que possam germinar e penetrar no hospedeiro, ocasionando o processo infeccioso
(Tsukahara, 2004).
4.2.5 Doenças do trigo
Muitas são as doenças que ocorrem na cultura do trigo em todo o

mundo, desde doenças radiculares até as que atacam as glumas. Porém, dentre todas, as mais
afetadas pelas condições microclimáticas da cultura são as doenças foliares como: ferrugens,
septorioses, helmintosporiose e oídio que necessitam de condições ótimas para sua ocorrência
e desenvolvimento, principalmente, de temperatura e umidade (Sentelhas, 1992).
Segundo Barros (1988), as doenças mais comuns que ocorrem na
cultura do trigo são a ferrugem do colmo (Puccinia graminis) e a da folha (Puccinia
recôndita), consideradas importantes pela freqüência e intensidade de ocorrência na região sul
do país. Outras doenças como a helmintosporiose (Cochiobolus sativus), septoriose (Septoria
nodorum), oídio (Erysiphe graminis), giberela (Gibberela zeae) e a brusone (Pyricularia sp.)
chegam a causar maiores danos que as ferrugens quando as condições meteorológicas são
altamente favoráveis.
4.2.6 Cultura do trigo no Brasil
A cultura do trigo sempre mereceu destaque mundial, pois se trata de

um dos cereais mais importantes no fornecimento de carboidratos essenciais à dieta humana.
Seu cultivo abrange praticamente todas as regiões do mundo, sendo as maiores produtividades
observadas entre as latitudes 20º e 55º nos hemisférios Norte e Sul (Tsukahara, 2004).
No Brasil, há relatos que o cultivo do trigo tenha se iniciado em 1534,
na antiga Capitania de São Vicente. A partir de 1940, a cultura começou a se expandir
45
comercialmente no Rio Grande do Sul. Nessa época, colonos do Sul do Paraná plantavam
sementes de trigo trazidas da Europa em solos relativamente pobres, onde as cultivares de
porte alto, tolerantes ao alumínio tóxico, apresentavam melhor adaptação (Embrapa, 2004).
De acordo com a Embrapa Trigo (Embrapa, 2006), no Brasil, as
principais áreas produtoras deste cereal se concentram nas regiões Sul e Sudeste, devido,
principalmente, às condições climáticas e tecnológicas necessárias para sua produção
econômica, sendo representada pelos estados do Rio Grande do Sul, Paraná e São Paulo. Estes
estados são, hoje, responsáveis por cerca de 91% da produção nacional, representando,
aproximadamente, 2,6 milhões de toneladas.
Segundo a Embrapa (2004), a adaptação do trigo para as condições de
clima e solo do Paraná tem sido realizada, pela soma de fatores genéticos e culturais,
envolvendo inúmeras pesquisas, dentre elas a busca pela resistência às ferrugens. Ao longo
das duas últimas décadas, a pesquisa tem aprimorado outras tecnologias, tais como, rotação de
culturas, manejo adequado do solo, controle integrado de pragas, controle químico de doenças
e zoneamento agroclimático.
Ironicamente, o aumento do potencial produtivo e a diminuição dos
riscos de perdas, proporcionados pelas cultivares melhor adaptadas e pelo controle de doenças
e pragas, via manejo da cultura e utilização de fungicidas eficientes, não têm sido suficientes
para sustentar o aumento da produção (Embrapa, 2004).
De acordo com um levantamento realizado pela Embrapa Trigo
(Embrapa, 2004), durante a safra de 2003 da região norte do Rio Grande do Sul, os itens de
maior oneração no custo total de produção foram os fertilizantes de base e cobertura (24,75%),
sementes (15,46%) e defensivos agrícolas (10%). Em relação ao ano anterior (2002),
observou-se um aumento de, aproximadamente, 29% nos custos totais, com destaque para os
reajustes de preços de semente (81%) e de fertilizantes (46%) (De Mori & Filho, 2003).
Considerando que o custo total de produção no Paraná não se
diferencia expressivamente dos custos estimados pela Embrapa Trigo, e que o manejo
conservacionista priorizando a manutenção da palha sobre o solo intensifica a ocorrência de
processos epidêmicos, o tratamento fitossanitário em sistemas de plantio direto se torna
indispensável para a obtenção de produtividades econômicas (Tsukahara, 2004).
46
5 MATERIAL E MÉTODOS
Os dados utilizados para atingir os objetivos dessa tese foram variáveis

climáticas obtidas de estações meteorológicas, instaladas na cultura do trigo.
A escolha da cultura do trigo teve como motivo principal, o fato de
tratar-se de um dos principais cereais de inverno para a região dos Campos Gerais. Além da
produção de grãos, contribui com a rotação de culturas e com a manutenção do sistema de
plantio direto.
Como metodologia computacional para elaboração do trabalho, foram
utilizadas RNAs tipo Perceptron de Múltiplas Camadas (Multilayer Perceptron), com os
algoritmos de treinamento Back-Propagation e Resilient Propagation.
Para determinar as melhores arquiteturas e os respectivos algoritmos
de treinamento de RNAs, bem como, definir quais as variáveis climáticas que influenciam
significativamente a ocorrência do molhamento foliar, foram utilizados os simuladores SNNS
(Stuttgart Neural Network Simulator) versão 4.2 (Zell et al., 1998) que utiliza plataforma
operacional Linux e o simulador JavaNNS – Java Neural Network Simulator 1.1 (Fischer et
al., 2001) para ambiente de execução Windows, o qual é baseado no SNNS.
O sistema computacional resultante foi codificado na linguagem de
programação Borland Delphi Enterprise versão 7.0 (Borland, 2003; Cantu, 2003), sendo
executado na plataforma Windows. Para a implementação das RNAs foi utilizado o
componente TMLP (Training Multilayer Perceptron) obtido em Medeiros (2003), cujo
47
componente, foi modificado visando as funcionalidades exigidas pelos estudos de caso, assim
como, o desenvolvimento do algoritmo de treinamento Resilient Propagation.
5.1 Bases de dados
Os dados utilizados neste trabalho têm como origem três locais

diferentes, a saber:
1. Base de Dados 1 – Campo Demonstrativo e Experimental da Fundação ABC - Fazenda

Capão do Cipó, em Castro – PR (Tsukahara, 2004).
2. Base de Dados 2 – Campo Demonstrativo e Experimental da Fundação ABC - Fazenda
Palmeirinha em Piraí do Sul – PR (Tsukahara, 2005).
3. Base de Dados 3 – Posto Agrometeorológico ESALQ/USP em Piracicaba - SP
(ESALQ, 2005).
A principal diferença na composição das bases de dados foi a coleta
visual de informações relativas ao molhamento foliar para a base de dados 1. Esta mesma
variável, nas bases de dados 2 e 3, foram obtidas por meio de sensores eletrônicos de
molhamento.
A seguir são descritos detalhes sobre cada uma das bases de dados
utilizadas.
5.1.1 Especificação da base de dados 1
São dados meteorológicos resultantes de um experimento conduzido

no Campo Demonstrativo e Experimental de Castro, Fazenda Capão do Cipó, em Castro - PR,
durante a safra de inverno de 2003, com a cultura de trigo (Tsukahara, 2004). Tais dados
correspondem aos valores da duração do período de molhamento e dados meteorológicos
monitorados em uma Estação Meteorológica Automática (EMA), Squitter, instalada na área
experimental, com dados cotados em intervalos de 5 minutos.
Os valores da duração do período de molhamento foliar foram obtidos
visualmente. Para tanto foi utilizada uma área cultivada com trigo de 5.000 m2, sendo que,
48
dentro desta demarcou-se uma sub-área de 20 x 50 metros, localizada nas coordenadas

geográficas 24º 51’ 40” sul e 49º 56’ 01” oeste e a 1.044 metros de altitude.
A avaliação da DPMV foi feita após as plantas de trigo terem atingido
o estádio fenológico 3 da escala de crescimento desenvolvida por Feekes (2004), foram
selecionadas 24 plantas, distribuídas homogeneamente dentro da parcela. Para a avaliação
visual, utilizou-se a escala proposta por Heldwein & Krzysch (1997), ajustada aos aspectos
relacionados à morfologia da cultura do trigo. Para proceder à observação, utilizou-se lanterna
e lupa de 20x de aumento, permitindo uma melhor visualização da formação das primeiras
gotículas do orvalho.
Para obtenção da DPMV, foram efetuadas observações visuais do
início e fim de duração do período de molhamento (DPM), durante o período de 10 de agosto
a 15 de outubro de 2003, num total de 14 observações. Estas observações foram realizadas a
cada 30 minutos, utilizando a escala visual adaptada de Heldwein & Krzysch (1997), repetida
nas mesmas 24 plantas demarcadas no início do experimento.
O critério de avaliação foi semelhante ao usado por Amador (1987) e
Sentelhas (1992), baseando-se na observação da presença (início) ou da secagem (fim) do
orvalho em cerca de 60% das folhas situadas no terço superior da cultura.
Na Tabela 3, está descrita de forma resumida a composição desta base
de dados, a qual, originalmente, contém 3.888 registros, organizados em 10 variáveis
meteorológicas, e a estas foram acrescidas mais três colunas correspondentes ao índice de
classificação do molhamento foliar (IMF), a data e horário. Os demais parâmetros são: PRES
(pressão atmosférica do ar), URMED (umidade média relativa do ar), URMIN (umidade
relativa mínima), URMAX (umidade relativa máxima), TEMPMED (temperatura média do
ar), TEMPMIN (temperatura mínima do ar), TEMPMAX (temperatura máxima do ar),
VENTMED (velocidade média do vento), VENTMIN (velocidade mínima do vento) e
VENTMAX (velocidade máxima do vento).
49
Tabela 3 – Composição parcial da base de dados 1 (Tsukahara, 2004)
HORÁRIO DATA PRES URMED URMIN URMAX TEMPMED TEMPMIN TEMPMAX VENTMED VENTMIN VENTMAX
IMF
(hh:mm:ss) (dd/mm/aaaa) (mb) (%) (%) (%) (OC) (OC) (OC) (m/s) (m/s) (m/s)
18:05:00 11/8/2003 1,00 903,66 76,78 76,36 77,24 9,99 9,44 10,63 0,10 0,00 1,47
18:10:00 11/8/2003 1,00 903,72 74,92 74,92 75,65 10,17 9,68 10,63 0,78 0,00 1,96
18:15:00 11/8/2003 1,00 903,72 75,87 75,62 76,29 9,99 9,50 10,42 0,98 0,00 2,06
18:20:00 11/8/2003 1,00 903,72 77,97 77,76 78,22 9,56 9,07 9,99 1,67 0,59 2,06
18:25:00 11/8/2003 1,00 903,72 78,69 78,28 79,44 9,32 9,01 9,71 1,76 1,18 1,96
18:30:00 11/8/2003 1,00 903,74 80,75 80,35 81,12 8,80 8,46 9,19 1,67 0,98 2,06
18:35:00 11/8/2003 1,20 903,74 81,94 81,42 82,43 8,52 8,03 8,95 1,86 1,18 2,16
18:40:00 11/8/2003 1,20 903,75 82,95 82,55 83,28 8,28 7,88 8,71 0,10 0,00 1,08
18:45:00 11/8/2003 1,20 903,75 82,43 81,76 83,01 8,43 7,97 8,83 1,47 1,08 1,96
18:50:00 11/8/2003 1,20 903,77 82,15 81,60 82,73 8,65 8,28 9,10 1,57 0,10 1,96
Como houve diferença do intervalo de leitura da EMA (5 minutos) em

relação a coleta visual de dados (30 minutos), a adequação da coluna IMF, Tabela 3, foi
realizada relacionando os horários, e considerando que dentro de cada parcela de horário de 30
minutos o IMF é o mesmo.
Os dados desta base foram oriundos de um experimento conduzido na

Fazenda Palmeirinha em Piraí do Sul - PR, durante a safra de inverno de 2005, cultura de trigo
(Tsukahara, 2005).
A Tabela 4, apresenta parcialmente o conjunto de dados, com 21.610
registros, organizados com os seguintes campos: HORÁRIO, DATA, IMF, TEMPMED e
CHUVA (índice pluviométrico – milímetros).
A coleta destes dados meteorológicos foi realizada nas coordenadas
geográficas 24º 22’ sul e 50º 61’ oeste a 980 metros de altitude, Figura 14, com dados
coletados em intervalos de 5 minutos entre 22 de agosto de 2005 a 26 de outubro de 2005.
Neste local foram instalados um sensor de molhamento plano marca Davis® (Agrosystem,
2005), um termohigrômetro7 Squitter e um pluviômetro Texas Campbell. O sensor de
7
Aparelho que registra simultaneamente a temperatura e a umidade relativa do ar, cujo sensor é um termopar,
ligado a um sistema registrador de sinais, que posteriormente os converte em valores.
50
molhamento teve sua altura ajustada conforme o desenvolvimento da cultura, com inclinação
de 45º em relação ao solo e voltado para a face norte.
Tabela 4 – Composição parcial da base de dados 2 (Tsukahara, 2005)
HORÁRIO DATA URMED TEMPMED CHUVA

IMF o
(hh:mm) (dd/mm/aaaa) (%) ( C) (mm)
16:30 29/07/2005 152,0 65,8 22,8 0,0
18:30 29/07/2005 151,0 77,5 17,5 0,0
04:00 30/07/2005 35,0 82,9 14,2 0,0
08:45 30/07/2005 32,0 72,8 18,8 0,0
17:20 09/08/2005 60,0 80,3 12,2 3,8
23:35 09/08/2005 55,0 87,9 7,0 3,8
00:00 05/09/2005 30,0 93,8 13,9 0,0
23:15 05/09/2005 148,0 91,3 10,7 0,0
05:25 25/10/2005 32,0 90,7 17,3 0,0
12:00 25/10/2005 142,0 79,3 22,2 0,3
Figura 14 – Visão da EMA utilizada para coleta de dados da base 2. Piraí do Sul, PR.
2005.
51
Os dados desta base foram fornecidos pelo Professor Doutor Paulo

César Sentelhas, pesquisador na área de Área de Física e Meteorologia na Escola Superior
Agricultura Luis Queiroz da Universidade do Estado de São Paulo – ESALQ/ USP. São dados
do Posto Agrometeorológico da ESALQ/USP – Estação Automática - Latitude: 22o 43’ sul -
Longitude de 47o 25’ oeste - Altitude de 580 metros - Piracicaba - SP – Brasil (ESALQ,
2005).
Os dados que compuseram esta base foram: VENTMED, URMED,
TEMPMED, data, horário e o IMF, conforme Tabela 5. O intervalo de coleta dos dados foi de
15 minutos no período compreendido entre 31 de julho de 2005 a 30 de setembro de 2005.
O IMF foi obtido por meio de um sensor de molhamento Campbell
modelo 237 (Campbell, 2005), instalado sobre o gramado a altura de 30 cm com ângulo de
exposição de 30º em relação à horizontal e voltado para o norte, detalhes deste sensor podem
ser observados na Figura 15.
Tabela 5 – Composição parcial da base de dados 3 (ESALQ, 2005)
HORÁRIO DATA URMED TEMPMED VENTO

IMF o
(hh:mm) (dd/mm/aaaa) (%) ( C) (m/s)
22:45 31/07/2005 0,889 87,7 14,0 1,0
08:30 01/08/2005 0,861 94,3 13,8 1,3
22:15 01/08/2005 0,022 75,7 14,7 0,7
03:15 02/08/2005 1 99,0 12,2 0,9
08:45 03/08/2005 0,606 92,8 13,2 0,8
12:00 05/08/2005 0 41,3 18,1 1,3
09:45 03/09/2005 0,661 91,9 18,2 2,5
01:45 10/09/2005 1 98,5 17,3 0,3
09:00 15/09/2005 0,983 89 20,2 1,4
08:30 30/09/2005 0,144 87,8 17,5 1,5
52
Fonte: Sentelhas (2004)

Figura 15 – Detalhes de um sensor de molhamento Campbell modelo 237
Os dados descritos anteriormente foram submetidos à metodologia

computacional, descrita na próxima seção.
5.2 Metodologia computacional
Neste trabalho foram utilizadas Redes Neurais Artificiais tipo

Perceptron de Múltiplas Camadas (Multilayer Perceptron) com os algoritmos de treinamento
Back-Propagation e Resilient Propagation, os quais seguem o paradigma de aprendizado
supervisionado.
Para determinação dos algoritmos de treinamento a serem
implementados, foram realizados experimentos utilizando os simuladores: SNNS (Stuttgart
Neural Network Simulator) versão 4.2 (Zell et al., 1998) que utiliza plataforma operacional
Linux, e o simulador JavaNNS – Java Neural Network Simulator 1.1 (Fischer et al., 2001)
com plataforma de execução Windows, o qual é baseado no SNNS, tendo sido testados os
seguintes algoritmos de treinamento: Backpropagation Standard, Backpropagation for batch
training, Backpropagation with momentum term, Backpropagation with chunkwise update,
Backpropagation with Weight Decay, Quickprop e Resilient Propagation .
53
5.2.1 Modelagem de redes neurais artificiais
Para obter os resultados esperados de um sistema implementado com

RNAs e o paradigma de aprendizado supervisionado, torna-se necessária a análise preliminar
dos dados com o objetivo de identificar fatores fundamentais para dar início ao processo.
Dentre estes fatores, foram considerados a disponibilidade e o volume dos dados a serem
tratados e se as suas características permitiam uma modelagem no sentido da obtenção de
conhecimento. Outro fator fundamental, também considerado, foi a qualidade do processo de
amostragem, sendo esta, uma condição essencial para o sucesso de todo o processo.
Em um segundo momento, duas fases distintas ocorreram no
desenvolvimento das redes neurais: o treinamento através dos algoritmos de treinamento
escolhidos, Back-Propagation e Resilient Propagation, e a validação (ou teste). Na validação,
foram utilizados valores de entrada não utilizados no treinamento e, a partir do processamento
destes, as redes retornaram valores conforme o seu conhecimento implícito.
O desenvolvimento do modelo seguiu proposta de Caudill (apud
Medeiros, 1999), a saber: definição do problema, coleta dos dados de treinamento e de teste,
pré e pós-processamento dos dados, projeto da estrutura da rede, treinamento, teste e
validação. A representação gráfica do fluxo destas etapas pode ser visualizada na Figura 16.
Fonte: Medeiros (1999)

Figura 16 – Etapas do desenvolvimento da RNA
54
6 RESULTADOS
6.1 Desenvolvimento do modelo em RNA
As etapas para o desenvolvimento do modelo em Rede Neural

Artificial serão descritas a seguir:
6.1.1 Definição do problema e coleta de dados
Diante dos dados disponíveis, buscou-se um modo de classificar o

molhamento foliar em índices, sendo, então, necessária uma discretização inicial dos dados a
serem trabalhados.
A discretização dos dados tem como objetivo formatar e ajustar os
dados de forma a adequá-los a uma determinada metodologia de classificação, neste caso,
especificamente, RNAs.
Para o caso da Base de Dados 1 (Tsukahara, 2004), tomou-se por base
a variável DPMV, a qual foi obtida utilizando-se a escala de avaliação visual de orvalho
desenvolvida por Heldwein & Krzysch (1997), cuja escala foi ajustada em doze níveis, dos
quais, seis são para a identificação do início de formação do orvalho e seis para o final,
conforme pode ser observado na Tabela 6.
55
Tabela 6 – Escala de avaliação visual de orvalho Heldwein & Krzysch (1997)
Escala visual para avaliar o INÍCIO do molhamento por orvalho
1.0 folha seca, sem indício algum de formação de orvalho

nuança da cor da folha na sua face adaxial, visualizada facilmente quando a folha
1.2
é observada no sentido longitudinal
início da formação do orvalho, aspecto aveludado fino e sem brilho, gotículas em
1.5
menos de 50% da superfície da folha
confirmação da formação do orvalho, aspecto aveludado, porém brilhante,
2.0
gotículas em até próximo de 50% da superfície da folha
gotículas proeminentes de fácil visualização em mais de 50% da folha, início de
2.5
formação de gotas de orvalho na ponta das folhas
molhamento em mais de 50% da superfície da folha, apresentando formação de
3.0
filme contínuo de água com diâmetro de gotas > 1mm
Escala visual para avaliar o FINAL do molhamento por orvalho
molhamento em mais de 50% da superfície da folha, apresentando filme contínuo

3.0
de água com diâmetro de gotas > 1mm
2.5 gotas de orvalho em torno de 50% da superfície da folha, com diâmetro < 1mm
2.0 gotas de orvalho sobre 50 a 20% da superfície da folha
1.8 gotas isoladas de orvalho sobre 20 a 10% da superfície da folha
1.5 Final do molhamento, menos de 10% da folha coberta com algumas gotas isoladas
1.0 ausência completa de molhamento
Para adequar a escala exibida na Tabela 6, de forma tal que não

houvesse redundância nos valores dos índices, a escala foi modificada visando adaptá-la aos
aspectos relativos à classificação de padrões e sua aplicabilidade as RNAs.
Neste sentido, valores da escala que são repetidos e possuem o mesmo
significado, foram unificados, como no caso dos índices 1 (ausência completa de molhamento)
e 3 (molhamento em mais de 50% da superfície da folha). Pode-se observar na Tabela 6, que
estes dois índices aparecem duas vezes.
Para identificar o final do molhamento e também evitar as repetições
dos índices 1.5, 2.0 e 2.5, os valores correspondentes foram representados como negativos,
resultando em 10 padrões distintos conforme ilustrado na Tabela 7.
56
Tabela 7 – Escala de avaliação visual discretizada – base de dados 1
Escala visual para avaliar o INÍCIO do molhamento por orvalho

1.0 folha seca, sem indício algum de formação de orvalho
1.2 nuança da cor da folha na sua face adaxial, visualizada facilmente quando a folha
é observada no sentido longitudinal
1.5 início da formação do orvalho, aspecto aveludado fino e sem brilho, gotículas em
menos de 50% da superfície da folha
2.0 confirmação da formação do orvalho, aspecto aveludado, porém brilhante,
gotículas em até próximo de 50% da superfície da folha
2.5 gotículas proeminentes de fácil visualização em mais de 50% da folha, início de
formação de gotas de orvalho na ponta das folhas
3.0 molhamento em mais de 50% da superfície da folha, apresentando formação de
filme contínuo de água com diâmetro de gotas > 1mm
Escala visual para avaliar o FINAL do molhamento por orvalho
-2.5 gotas de orvalho em torno de 50% da superfície da folha, com diâmetro < 1mm
-2.0 gotas de orvalho sobre 50 a 20% da superfície da folha
-1.8 gotas isoladas de orvalho sobre 20 a 10% da superfície da folha
-1.5 final do molhamento, menos de 10% da folha coberta com algumas gotas isoladas
Os índices definidos na tabela acima tiveram por objetivo definir o

número de neurônios da camada de saída, ou seja, 10. Portanto, as RNAs geradas a partir da
Base de Dados 1, especificamente, terão como objetivo classificar o molhamento foliar em 10
padrões distintos. Esta definição corresponde a um dos itens das arquiteturas das RNAs.
Com relação à definição do molhamento foliar das Bases de Dados 2 e
3, cuja coleta de dados foi obtida através de sensores de molhamento, o IMF foi determinado
com base na proporção de tempo em que os sensores permaneceram secos ou molhados.
Para estimar a condição do sensor de seco ou molhado, são
considerados os valores de resistência ou impedância elétrica observados em laboratório, e a
partir destes valores é estabelecido um limiar acima do qual o sensor é considerado molhado, e
abaixo deste seco. Vale ressaltar que mesmo com a utilização de sensores de diferentes
marcas, os procedimentos para determinação do IMF foram os mesmos, de acordo com
Sentelhas (2004).
Para a Base de Dados 2 (Tsukahara, 2005), foi utilizado o sensor
Davis®, cujos valores da resistência elétrica oscilam entre 0 (totalmente seco) e 15 (totalmente
saturado-molhado). Conforme Tsukahara (2005), através de testes realizados em laboratório,
57
definiu-se que a transição entre seco e molhado acontecia quando o sensor apresentava valores
de resistência superiores a 5. Desta forma, adotou-se como uma condição de molhado
(presença de orvalho) quando os valores estão acima de 5 em pelo menos metade do tempo do
intervalo de leitura (5 minutos).
No caso do sensor modelo 237 da Campbell® usado no experimento
da Base de Dados 3 (ESALQ, 2005), os valores de resistência elétrica variaram entre 0
(totalmente seco) e 1 (totalmente saturado), onde foram consideradas como presença do
orvalho as leituras que apresentaram valores de resistência superiores a 0,51 em pelo menos
metade do tempo do intervalo de leitura (5 minutos) (Sentelhas, 2004).
Diante deste contexto, as RNAs geradas a partir das Bases de Dados 2
e 3, tiveram como objetivo classificar o molhamento foliar em 2 padrões distintos, seco ou
molhado e, consequentemente, o número de neurônios da camada de saída destas RNAs foi 2.
Uma vez que o problema tenha sido definido e os dados estejam
disponíveis, os dados devem ser preparados para aplicação em uma RNA. Este procedimento é
definido como o pré-processamento dos dados.
6.1.2 Pré-processamento dos dados
Esta etapa corresponde à preparação dos dados conforme o formato

requerido pela metodologia computacional adotada. No caso das RNAs, estas processam
dados de tipo numérico normalmente no intervalo entre -1 e 1.
Deste modo, dados de entrada devem ser tratados visando converter
dados simbólicos, quando houver, em dados numéricos, assim como normalizar atributos que
possuem valores muito discrepantes em relação aos demais.
Dentre as atividades desenvolvidas nesta etapa de preparação dos
dados, fez-se a conversão dos arquivos, originalmente planilhas eletrônicas do tipo Microsoft
Excel, para o formato texto com um padrão pré-definido, tendo em vista o formato requerido
pelos simuladores SNNS e JavaNNS. Todas as atividades que envolveram a preparação dos
dados foram realizadas com programas computacionais desenvolvidos especificamente para
este propósito.
58
Com relação à obtenção das saídas desejadas pela RNAs, ou seja, a

classificação dos padrões de molhamento conforme os IMFs e seus respectivos parâmetros,
valores binários foram atribuídos aos neurônios de saída durante a fase de treinamento.
Na Tabela 8, estão ilustrados os valores binários correspondentes aos
10 neurônios de saída da base de dados 1, de acordo com a escala de avaliação visual de
orvalho discretizada (Tabela 7). Exemplificando, em um determinado conjunto de parâmetros
de treinamento, têm-se: HORÁRIO = 18.40, URMED = 82.95, TEMPMED = 8.28 e IMF =
1.2. Neste exemplo, os 10 neurônios de saída são formados pela cadeia binária – 0 1 0 0 0 0 0
0 0 0 –, onde, cada valor binário corresponde a um neurônio e o segundo especificamente,
definido com 1, é aquele que indica o IMF=1.2.
Para os casos das bases de dados 2 e 3, são considerados dois valores
binários, 0 e 1 ou 1 e 0, indicando as condições de seco e molhado e molhado e seco,
respectivamente.
O pré-processamento dos dados é um procedimento trabalhoso, mas
vital para o bom desempenho das RNAs, as quais devem ser projetadas focando dois aspectos
principais: a escolha da arquitetura da RNA e a escolha do algoritmo de aprendizagem ou
treinamento. Ambos os quesitos estão diretamente relacionados com o problema a ser tratado.
Tabela 8 – Neurônios de saída – base de dados 1
Neurônios de saída
IMF
N1 N2 N3 N4 N5 N6 N7 N8 N9 N10
1.0 1 0 0 0 0 0 0 0 0 0
1.2 0 1 0 0 0 0 0 0 0 0
1.5 0 0 1 0 0 0 0 0 0 0
2.0 0 0 0 1 0 0 0 0 0 0
2.5 0 0 0 0 1 0 0 0 0 0
3.0 0 0 0 0 0 1 0 0 0 0
-2.5 0 0 0 0 0 0 1 0 0 0
-2.0 0 0 0 0 0 0 0 1 0 0
-1.8 0 0 0 0 0 0 0 0 1 0
-1.5 0 0 0 0 0 0 0 0 0 1
59
6.1.3 Projeto da RNA
Na etapa que consiste na escolha da arquitetura da RNA, foram

considerados os seguintes componentes: determinação do número de neurônios da camada de
entrada, quantidades de camadas e o número de neurônios da(s) camada(s) ocultas e o número
de neurônios da camada de saída.
Na elaboração do projeto de uma RNA ideal para solucionar um
determinado problema, uma das tarefas mais difíceis é determinar o número de elementos de
processamento da camada oculta, bem como o número de camadas ocultas (Medeiros, 1999).
É necessário obter um modelo que não seja muito rígido a ponto de
não modelar fielmente os dados. A idéia é que a rede responda de acordo com as
características presentes nos dados de entrada e não exatamente igual aos dados de entrada.
• Determinação da camada de entrada
A capacidade de mapeamentos complexos das redes neurais cresce
com o número de camadas e neurônios. Contudo, este aumento acarreta maior tempo de
processamento, bem como, uma considerável soma de dados (Ballini et al., 2003).
Para a determinação do número de neurônios e quais as variáveis
climáticas seriam representadas em cada neurônio da camada de entrada, foram realizados
diversos experimentos para descobrir qual a melhor combinação que proporcionava a menor
taxa de erro no treinamento da RNA. Este resultado também buscou definir quais as variáveis
climáticas que influenciavam significativamente a ocorrência do molhamento foliar, do ponto
de vista das RNAs.
No desenvolvimento destes experimentos, a quantidade de neurônios
da camada de entrada variou entre 2 a 13 parâmetros, correspondendo às combinações
realizadas com as variáveis meteorológicas: umidade relativa média do ar (%), umidade
relativa mínima do ar (%), umidade relativa máxima do ar (%), temperatura média do ar (ºC),
temperatura mínima do ar (ºC), temperatura máxima do ar (ºC), temperatura do bulbo seco
(ºC), temperatura do bulbo úmido (ºC), velocidade média do vento (m/s=metros por segundo),
velocidade mínima do vento (m/s), velocidade máxima do vento (m/s), pressão atmosférica
local (kPa=pressão barométrica) e precipitação pluviométrica (mm).
60
• Determinação das camadas ocultas

Esta é uma etapa que envolve subjetividade. Autores como Caudill
(1990), assumem que o número de elementos das camadas ocultas é uma incógnita e o seu
tamanho deve ser escolhido usando o bom senso, portanto, trata-se de um procedimento com
forte apelo empírico.
Neste sentido, deve-se considerar que, se o número de camadas for
muito grande, assim como, a quantidade de neurônios destas, a rede estará memorizando os
padrões e com isso perdendo a capacidade de generalização (over-training / over-fitting). Por
outro lado, um número pequeno de elementos pode levar a rede a um underfitting, quando a
rede não consegue convergir durante o treinamento e, também, a mesma exigirá mais
iterações, ou seja, um esforço computacional maior para atingir a precisão desejada. Segundo
Weigend et al. (1990), a rede que melhor generaliza os dados é a menor rede apta a realizar o
treinamento com os dados disponíveis.
Na resolução dos problemas deste trabalho, foram implementadas
redes neurais com apenas uma camada oculta. A quantidade de neurônios da camada foi
calculada, multiplicando-se por três o número de neurônios da camada de entrada e somando-
se este resultado ao número de neurônios da camada de saída. Por exemplo, se na rede que
está sendo projetada, estão sendo consideradas as variáveis climáticas umidade relativa média
do ar, temperatura média do ar e velocidade média do vento, o que corresponde a três
neurônios de entrada, e o IMF considerado é seco ou molhado, ou seja, dois neurônios de
saída, o cálculo para determinar o número de neurônios é: 3 * 3 + 2 = 11.
Assim, como foi destacado anteriormente, determinar o número de
neurônios das camadas ocultas é um procedimento empírico, o método adotado neste trabalho
não corresponde a uma técnica padrão nem a um modo que tenha sido matematicamente
provado e considerado bom.
O motivo do uso desta padronização está relacionado à obtenção dos
melhores resultados, os quais foram obtidos usando este cálculo, mas, possivelmente, isto está
relacionado com a composição das bases de dados utilizadas e, talvez, com outros dados estes
resultados possam não se repetir.
61
• Determinação da camada de saída

O número de neurônios da camada de saída está condicionado aos
padrões de classificação de molhamento foliar, conforme as bases de dados utilizadas neste
trabalho. Portanto, para as RNAs da base de dados 1 foram definidos 10 neurônios de saída e 2
neurônios para as bases de dados 2 e 3.
A partir da definição das arquiteturas das RNAs, o próximo passo é o
treinamento, a partir do qual pode-se obter os resultados esperados.
6.1.4 Treinamento da RNA
Pode-se dizer que a partir desta etapa é que se obtém o sucesso ou o

fracasso da rede, pois, aqui, submete-se a rede ao aprendizado, onde vários fatores são
relevantes, dentre eles destacam-se: o algoritmo de treinamento, parâmetros de aprendizagem
e número de repetições (ciclos ou épocas).
Todos estes fatores devem ser aplicados a partir de um conjunto de
dados que possua alto grau de pertinência em relação ao escopo do problema a ser resolvido,
assim como, um número elevado de dados para que, ao serem submetidos à rede, ofereçam um
bom treinamento. É válida a regra que diz, quanto maior a experiência, melhor o desempenho.
Se a rede for treinada por uma quantidade considerável de dados, ela será não somente capaz
de aproximar qualquer função, como também estará apta a generalizar, proporcionando
resultados coerentes para entradas jamais vistas (Rohn et al., 2003).
Conforme já destacado, dentre os algoritmos de treinamento testados,
foram selecionados o Back-Propagation e o Resilient Propagation que seguem o paradigma
de aprendizado supervisionado. A escolha destes algoritmos de treinamento deu-se em função
de que o Back-Propagation é o mais utilizado e o Resilient Propagation foi o que apresentou
os melhores resultados em mais de 100 experimentos realizados, onde os parâmetros
climáticos foram combinados de formas diferentes para se determinar os melhores resultados.
Estes experimentos foram desenvolvidos com os simuladores SNNS e
JavaNNS, objetivando avaliar a eficiência da metodologia computacional adotada neste
trabalho, antes da definição e desenvolvimento do sistema PMNeural.
62
A seguir, estão descritos os três estudos de caso e seus melhores

resultados, que correspondem, respectivamente, a cada uma das bases de dados especificadas
na seção Material e Métodos.
6.2 Estudos de caso
6.2.1 Estudo de caso 1
Para a realização dos treinamentos e testes das RNAs, a base de dados

foi dividida em dois conjuntos. Neste sentido, dos 3.888 registros desta base, 89,7% foram
utilizados para o treinamento, equivalente a 3.488 registros, o restante 10,3% foram usados
para teste, correspondendo a 400 registros (Mathias, 2005).
A escolha dos registros do conjunto de teste foi o método da
amostragem sistemática (Soares et al., 1991). Embora a probabilidade de seleção tenha sido a
mesma para todos os registros, na amostra houve uma maior ocorrência das leituras
correspondentes a classe 3 (molhamento em mais de 50% da superfície da folha - ocorrência
de molhamento), tendo em vista ocorrerem em 71,2% do total da base original. É um modo de
manter a proporcionalidade em relação às ocorrências presentes nos dados originais. A
distribuição dos registros pode ser observada parcialmente na Tabela 9.
Tabela 9 – Detalhes - base de dados 1
Horário das leituras Número de leituras

Datas (registros) (registros)
11/08/2003 18:05/23:55 71
19/08/2003 00:00/23:55 216
20/08/2003 00:00/23:55 216
05/09/2003 00:00/12:00 145
11/09/2003 18:05/23:55 71
12/09/2003 00:00/12:00 145
... ... ...
08/10/2003 18:05/23:55 71
09/10/2003 00:00/12:00 145
Total de registros 3888
63
O objetivo desta divisão é a obtenção de um modelo que tenha uma

boa generalização, pois o mesmo deve responder corretamente aos exemplos contidos na base
de aprendizado, mas, também, a outros exemplos diferentes daqueles usados durante o
processo de treinamento.
Esta técnica de divisão da base de dados em dois subconjuntos é uma
ferramenta padrão da estatística conhecida como validação cruzada (Haykin, 2001), através da
qual, pode-se definir o número ideal de épocas de treinamento de RNAs.
Este método consiste em acompanhar em um gráfico, conforme
ilustrado na Figura 17, a evolução do aprendizado nas curvas correspondentes aos
subconjuntos de dados de treinamento e validação.
Fonte: Haykin (2001)

Figura 17 – Regra de parada antecipada baseada na validação cruzada
O objetivo é identificar um ponto de parada de aprendizado, para que a

rede não fique excessivamente ajustada aos dados de treinamento (super-aprendizado), e
obtenha-se a melhor generalização da rede. Deste modo, o treinamento é interrompido quando
a curva de validação decresce a um erro mínimo, e antes de começar a crescer conforme o
treinamento continua.
Na Tabela 10, estão descritos quatro dos melhores resultados obtidos
com esta base de dados, onde estão destacadas: as variáveis de entrada, arquiteturas das
64
RNAs, épocas de treinamento, e os erros obtidos com os algoritmos de treinamento Rprop e

Back-propagation.
Tabela 10 – Melhores resultados c/simuladores – base de dados 1
Erros de Algoritmos de Treinamento

Variáveis de Entrada Arquiteturas Épocas
Etapas Rprop Backprop
HORÁRIO + URMED + Treino 0.19753 0.36773
4-22-10 11400
TEMPMED + VENTMED Validação 0.20639 1.62107
HORARIO + URMAX + Treino 0.21425 0.36773
3-19-10 12000
TEMPMIN Validação 0.20475 1.62107
Treino 0.25845 0.36773
HORARIO + URMAX 2-16-10 7600
Validação 0.25969 1.62107
Treino 0.34398 0.41638
URMAX + TEMPMIN 2-16-10 10000
Validação 0.26467 1.34183
Resilient Propagation (Rprop) - Back-Propagation (Backprop)
Com relação ao formato de exibição das arquiteturas testadas (Tabela

10), por exemplo, 4-22-10, o valor 4, corresponde ao número de neurônios da camada de
entrada, 22 são os neurônios da camada oculta, e a camada de saída é formada por 10
neurônios.
Nesta base também foi utilizada a técnica da validação cruzada, onde

dos 21.610 registros, 19.610 equivalente a 90,7% do total da base, foram usados para o
treinamento e 2.000 registros - 9,3% utilizados para os testes. A seleção dos registros foi feita
utilizando-se o método da amostragem aleatória simples (Soares et al., 1991) e não houve
priorização em registros que indicassem a maioria, visto que, 12.035 ocorrências - 55,7% do
total – indicavam a condição de seco, o restante dos registros, 9.575 registros, 44,3%,
molhado. Na Tabela 11 são apresentados os melhores resultados deste estudo de caso.
65

4-14-2 1600
TEMPMED + CHUVA Validação 0.32596 0.50315
HORARIO + URMED + Treino 0.25724 0.17282
3-11-2 750
TEMPMED Validação 0.27444 0.56399
Treino 0.27089 0.17282
HORARIO + URMED 2-8-2 600
Validação 0.30798 0.56399
Treino 0.29080 0.18500
URMED + TEMPMED 2-8-2 500
Validação 0.28944 0.58500
Assim como nos estudos de caso 1 e 2, o uso da técnica da validação

cruzada foi mantida, e dos 5.856 registros desta base, 5.356 equivalentes a 91,5% do total,
foram usados para o treinamento, e 500 registros, 8,5% utilizados para os testes. A
amostragem aleatória simples na escolha dos registros, também foi o modo operacional de
seleção, onde, a distribuição os dados corresponde a: 3.667 registros – 62,6% - com indicação
de seco e 2.189 – 37,4% - molhado. Na Tabela 12 estão ilustrados os melhores resultados
obtidos.

4-14-2 1800
TEMPMED + VENTMED Validação 0.06330 0.43402
URMED + TEMPMED + Treino 0.08594 0.32747
3-11-2 1500
VENTMED Validação 0.06655 0.43402
HORARIO + URMED + Treino 0.09919 0.34155
3-11-2 1200
TEMPMED Validação 0.08502 0.43427
Treino 0.11123 0.37679
HORARIO + URMED 2-8-2 700
Validação 0.07135 0.44444
Treino 0.10323 0.39879
URMED + TEMPMED 2-8-2 1350
Validação 0.08481 0.45099
66
Apesar de inesperado, dentre as diversas variáveis climáticas utilizadas

para classificação do molhamento foliar, a inclusão do horário influenciou a obtenção dos
resultados das RNAs. Isto pode ser explicado pelo fato de que, nas bases de dados utilizadas, a
formação do orvalho apresentou horários diários semelhantes para seu início e final, ou seja,
foi observado um padrão nos horários de ocorrência de orvalho. Este padrão foi captado pelas
RNAs, porém é possível que este mesmo resultado não se repita com outros dados climáticos.
Na Figura 18 está ilustrada uma das telas do simulador SNNS, onde
podem ser observados detalhes das evoluções do treinamento, linha preta, e validação, linha
vermelha, de um dos ensaios da Tabela 12. Este exemplo corresponde a RNA com arquitetura
4-14-2 (Figura 19), variáveis climáticas – HORÁRIO + URMED + TEMPMED + VENTMED
–, algoritmo de treinamento Rprop.
Figura 18 – Tela SNNS – gráfico de evolução de treinamento/validação

67
Figura 19 – Tela SNNS – exibição de RNA com arquitetura 4-14-2
Na Figura 20, pode-se observar detalhes do painel de controle do

SNNS, que corresponde a uma das etapas do processo de treinamento de uma RNA, onde são
informados e selecionados diversos itens para dar início ao aprendizado. Os principais itens
são: CYCLES - número de épocas de treinamento; LEARN – taxa de aprendizagem; os
arquivos de padrões para o treinamento e validação; SEL FUNC – algoritmo de aprendizado.
68
Uma vez que todos os itens sejam informados, clica-se no botão ALL para o processo se
iniciar.
Figura 20 – Tela SNNS – painel de controle
Os resultados obtidos nestes estudos de caso foram satisfatórios para

demonstrar a eficiência do uso de RNAs no tratamento de dados climáticos visando classificar
o molhamento foliar. Apesar disso, como as arquiteturas das RNAs foram definidas com base
nas diferentes combinações efetuadas com as variáveis climáticas, outras configurações,
possivelmente, podem apresentar desempenho similar, ou até melhor. Contudo, todos os
cenários testados foram decisivos para o desenvolvimento do sistema PMNeural, o qual está
definido a seguir.
6.3 Definição do sistema PMNeural
Após a realização dos estudos com os simuladores, pode-se determinar

a melhor forma de ajustar os dados climáticos ao paradigma das RNAs, bem como, a
determinação dos melhores algoritmos de treinamento para os estudos de caso em questão,
itens fundamentais para definição do sistema PMNeural, cuja modelagem foi baseada em
Stadzisz (2002) e Fowler (2005).
69
Em um projeto de software onde são utilizados recursos de modelagem

UML (Unified Modeling Language) (Furlan, 1998), dois componentes principais são
destacados, os atores e os casos de uso. Os atores correspondem às pessoas que interagem com
o sistema, caracterizados no PMNeural como administrador ou técnico, distinguindo os níveis
de acesso ao sistema com permissões diferenciadas.
O administrador possui todas as permissões sobre o sistema, como:
• Cadastrar usuários do sistema (inclusão, exclusão e alteração);

• Cadastrar estações meteorológicas (inclusão, exclusão e alteração);
• Cadastrar cidades (inclusão, exclusão e alteração);
• Cadastrar variáveis que serão analisadas (inclusão, exclusão e alteração);
• Definição dos parâmetros da rede neural a ser utilizada (numero de camadas ocultas,
taxa de inércia, taxa de aprendizado, número de épocas);
O técnico possui permissões limitadas:
• Executar treinamentos e testes com os dados coletados;

• Visualizar os resultados;
• Armazenar os resultados;
• Gerar relatórios;
Os casos de uso do sistema PMNeural correspondem a:
1. Realizar login no sistema;

2. Cadastrar usuário
a. Incluir usuário;
b. Excluir usuário;
c. Alterar usuário;
70
3. Cadastrar estações meteorológicas;

a. Incluir estação meteorológica;
b. Excluir estação meteorológica;
c. Alterar estação meteorológica;
4. Cadastrar cidades;
a. Incluir cidades;
b. Excluir cidades;
c. Alterar cidades;
5. Cadastrar variáveis;
a. Incluir variável;
b. Excluir variável;
c. Alterar variável;
6. Importar dados;
7. Treinar RNA
a. Escolher os dados de entrada;
b. Escolher a arquitetura da rede;
c. Escolher o algoritmo de treinamento;
d. Escolher os parâmetros de treinamento;
e. Realizar o treinamento;
f. Visualizar resultados;
g. Armazenar relatório de treinamento;
8. Executar a validação;
a. Escolher a RNA;
b. Escolher os dados de validação;
c. Realizar a validação da RNA;
d. Visualizar resultados;
e. Armazenar resultados;
f. Gerar relatórios.
71
A partir dos casos de uso o sistema PMNeural foi desenvolvido para

classificar o molhamento foliar em índices, cujas funcionalidades e formas de execução estão
descritas a seguir.
6.4 Funcionalidades do sistema PMNeural
O sistema desenvolvido, denominado PMNeural, foi codificado no

ambiente de programação de computadores Borland Delphi Enterprise versão 7.0 (Borland,
2003; Cantu, 2003), o qual pode ser executado na plataforma Windows. Para a implantação
das RNAs foi utilizado o componente TMLP (Training Multilayer Perceptron) obtido em
Medeiros (2003), cujo componente, foi modificado visando as funcionalidades exigidas pelos
estudos de caso, assim como, o desenvolvimento do algoritmo de treinamento Resilient
Propagation.
Ao ser iniciada a execução do sistema a tela ilustrada na Figura 21 é
exibida, após algum tempo esta interface se modifica, solicitando a identificação do usuário
para a entrada do login e da senha de acesso, conforme pode ser observado na Figura 22.
O tempo de exibição da primeira tela do sistema pode variar conforme
o computador em uso. O que pode motivar esta situação é a utilização do sistema em
computadores com diferentes velocidades de processador e capacidade de memória RAM.
72
Figura 21 – Tela de apresentação – PMNeural
Figura 22 – Tela de operações e login
Conforme já visto, existem dois tipos de usuários, administrador ou

técnico, cujas permissões são distintas. A diferença está em que o técnico não pode efetuar
73
nenhum tipo de cadastro, já o administrador tem acesso a todas as tarefas do sistema, situação
que será descrita a seguir.
Uma vez que o administrador faça sua identificação, a tela resultante
corresponde a exibida na Figura 23, na qual tornam-se disponíveis as opções da barra de
menu: Cadastros, Importação, Ensaios, Ajuda, Sobre e Sair.
Figura 23 – Tela de operações
A partir da opção Cadastros podem ser cadastrados: usuários, estações

meteorológicas, cidades e variáveis. Para todos os quatro casos também são disponibilizadas
opções para: Incluir, Excluir, Alterar, Ajuda e Sair. As telas de cadastros são padronizadas
conforme o exemplo ilustrado na Figura 24, que corresponde ao cadastro de usuário.
74
Figura 24 – Tela – acesso ao cadastro de usuário
A tela de Cadastro de usuário é composta pelos seguintes dados

(Figura 25):
• Nome completo;
• Nível de acesso – Administrador ou Técnico;
• Login – identificação de acesso do usuário;
• Observações – anotações gerais sobre o usuário;
• Senha – para efetuar o login no sistema;
• Confirmação da senha.
75
Figura 25 – Tela – cadastro de usuário
Na Figura 26, pode-se visualizar a tela para o cadastro das estações

meteorológicas, onde são cadastradas as informações relativas a origem dos dados climáticos,
que são utilizados no treinamento e validação das RNAs. Este cadastro é constituído pelas
seguintes informações:
• Código da estação – composto por 8 dígitos numéricos que correspondem aos
graus e minutos (4 dígitos) da latitude mais a longitude;
• Número da estação – conforme numeração utilizada para identificar a estação,
ou quando existe mais de uma estação no mesmo local;
• Modelo – de acordo com o marca/modelo;
• Identificação – qualquer informação que auxilie na identificação da estação;
• Proprietário – do imóvel ou da estação;
• Localização – local onde esta instalada a estação, por exemplo: Fazenda Capão
do Cipó;
• Culturas – culturas existentes na área de abrangência da estação;
• Outros equipamentos – informação adicional sobre outros equipamentos
usados na estação;
76
• Observações – quaisquer informações complementares;

• Estado – unidade da federação;
• Cidade – município;
• Altitude;
• Longitude;
• Latitude;
• Área total – hectares.
Figura 26 – Tela – cadastro de estações meteorológicas
O próximo cadastro é o das cidades, o qual está vinculado ao cadastro

das estações meteorológicas, pois tem por objetivo indicar o município de localização de
77
determinada estação. Na Figura 27 pode-se visualizar a tela de acesso à manutenção do

cadastro de cidades.
Figura 27 – Tela – cadastro de cidades
O cadastro subseqüente corresponde as variáveis utilizadas pelo

sistema, as quais correspondem a identificação dos dados utilizados para o treinamento e
validação das RNAs.
O objetivo principal dessas variáveis é identificar os diversos tipos de
dados, bem como, o tipo de dado associado à mesma e conseqüentemente a informação
relacionada. Na Figura 28, pode-se observar um quadro com alguns exemplos de variáveis.
Figura 28 – Tela – exemplos de variáveis

78
Assim como, nos demais cadastros, existe uma tela correspondente

para sua manutenção, Figura 29. Este cadastro é constituído por duas informações.
• Nome – é a identificação da variável e as regras para criação de nomes de
variáveis são as seguintes: deve começar necessariamente com uma letra e não
deve conter nenhum símbolo especial exceto sublinha (underline);
• Formato – corresponde ao formato do dado numérico associado a variável.
Figura 29 – Tela – cadastro de variável
O cadastro de variáveis tem importância fundamental na

funcionalidade do sistema, pois, as variáveis cadastradas estão diretamente relacionadas aos
neurônios das RNAs e também a importação dos dados, onde, os dados são normalizados
quando necessário.
Por exemplo, no caso da variável horario, foi pré-definido o seu
formato como hh:mm (hora e minutos), contudo, este é um formato não decimal e portanto
não é possível ser utilizado como entrada em uma RNA. Sendo assim, quando o sistema
PMNeural identifica uma variável com este formato (hh:mm) durante a importação,
automaticamente transforma este dado em decimal, substituindo os dois pontos (:) por vírgula
(,) exemplificando: 18:15 (dezoito horas e quinze minutos) é transformando no valor 18,15
(dezoito vírgula quinze).
79
Para realizar a importação de dados basta escolher a opção

correspondente na barra de menu. A Figura 30 ilustra a tela correspondente e um exemplo
deste procedimento.
Figura 30 – Tela – importação de dados
• Código de Importação – é um valor de controle inserido automaticamente

pelo sistema;
• Estação Meteorológica – é uma escolha que deve ser realizada com base nas
estações meteorológicas cadastradas e conseqüentemente relacionadas a origem
dos dados;
• Data – pode ser a corrente ou conforme a data de origem dos dados;
• Arquivo de importação – o sistema utiliza como padrão, arquivos do tipo
planilha eletrônica no formato de gravação CSV (campos separados por
vírgulas). Estes arquivos podem ser gerados pelos programas Microsoft Office
80
Excel ou BrOffice Calc. O local de gravação destes arquivos pode ser qualquer
pasta do sistema, ou conforme determinado na instalação, recomendável;
• Finalidade dos dados – conforme a metodologia das RNAs, os dados podem
ser utilizados para o treinamento ou validação (teste) das RNAs.
Após a inserção correta dos dados de importação, uma lista parcial dos
dados é exibida, conforme exemplo ilustrado na Figura 30, onde, cada uma das colunas,
previamente rotuladas com a identificação de cada atributo, deve estar diretamente relacionada
ao cadastramento das variáveis. Situação que exige exatidão da nomenclatura das variáveis
conforme os cabeçalhos dos arquivos de importação.
Durante o processo de importação, um quadro de dialogo como o
ilustrado na Figura 31 é exibido, o qual tem por finalidade solicitar ao usuário para indicar a
partir de qual linha do arquivo de origem os dados devem ser importados. Esta linha deve
corresponder aquela que possui a identificação de cada atributo e cujos valores estarão
expressos na referida coluna. Por uma questão de operacionalização, sempre a ultima coluna
do arquivo deve corresponder ao índice de molhamento. Portanto, as colunas anteriores estarão
representando as ocorrências das variáveis que formarão os neurônios da camada de entrada.
Figura 31 – Tela – iniciar importação na linha
Outro quadro de diálogo que é exibido durante a importação dos

dados, Figura 32, é resultado de um processo automático que efetua uma varredura no arquivo,
identificando os diferentes padrões de valores que serão usados para a determinação dos
índices de molhamento, e automaticamente o número de neurônios da camada de saída da
RNA.
81
Figura 32 – Tela – neurônios da camada de saída
A próxima opção da barra de menu são os ensaios, os quais podem ser:

treinamento e teste. A Figura 33 exemplifica uma tela com parâmetros para a realização de
um treinamento de uma RNA, utilizando o algoritmo Resilient Propagation. Pode-se observar
nesta tela, que a interface exibida é interativa e disponibiliza ao usuário todas as informações
necessárias ao treinamento, bem como, um gráfico onde se pode acompanhar a evolução do
erro em relação ao número de iterações (épocas).
82
Figura 33 – Tela – treinamento da RNA
O procedimento inicial é definir qual estação meteorológica será

usada, em seguida selecionar qual conjunto de dados (Importações) que se quer utilizar para
treinar. Posteriormente deve-se escolher com quais Variáveis do conjunto de dados se deseja
realizar o treinamento, podem ser, todas ou optar por algumas especificamente. Neste
procedimento da escolha das variáveis de treinamento, esta sendo definido o número de
neurônios da camada de entrada da RNA.
O próximo passo é a escolha do algoritmo de treinamento: Resilient
Propagation ou Back Propagation.
83
Para o algoritmo Back-propagation os parâmetros são:

• Número de Épocas;
• Neurônios Camada Oculta;
• Taxa de Aprendizagem;
• Taxa de Inércia.
O algoritmo Resilient Progagation necessita dos seguintes parâmetros:
• Número de Épocas;
• Neurônios Camada Oculta;
• Fator Crescente – fator de atualização crescente dos pesos sinápticos;
• Fator Decrescente – fator de atualização decrescente dos pesos sinápticos;
• Delta Inicial – determina o acréscimo inicial dos pesos sinápticos;
• Delta Mínimo – determina o valor mínino de atualização dos pesos sinápticos;
• Delta Máximo – determina o valor máximo de atualização dos pesos
sinápticos.
Para todos os parâmetros do processo de treinamento existem valores

recomendados, mas podem ser alterados pelo usuário conforme as suas necessidades. O
número de épocas é o parâmetro que exige maior atenção do usuário, por ser o número de
iterações que vai determinar a convergência da rede treinada. Neste sistema esta escolha é
empírica. O número de observações é um valor fornecido automaticamente pelo sistema,
conforme a quantidade de registros existentes no arquivo de importação correspondente.
O próximo requisito para o treinamento é a construção da RNA, que é
obtida clicando-se no botão Treinar, o qual, ao ser clicado emite uma mensagem solicitando
uma confirmação, se o usuário realmente deseja iniciar o treinamento da rede. O tempo de
treinamento das redes é influenciado diretamente pelo número de épocas, número de
observações e número de neurônios nas diversas camadas da RNA, assim como, pela
capacidade de processamento do computador em uso e quantidade de memória RAM, sendo
assim, o tempo de treinamento de uma RNA pode variar entre segundos, minutos e horas.
Uma vez que o treinamento seja realizado com sucesso, um relatório
como o da Figura 34 é exibido.
84
Figura 34 – Tela – relatório de treinamento
Neste relatório são destacados todos os parâmetros utilizados no

treinamento, o gráfico do erro de treinamento e também o erro obtido. A partir de um
treinamento em que o usuário considere satisfatório o erro obtido, este relatório pode ser
gravado em disco, bastando para isso clicar no botão Salvar. Este procedimento se constitui no
armazenamento da RNA treinada no banco de dados do sistema.
Uma vez que, se tenha obtido uma RNA treinada para um determinado
conjunto de dados, é necessário validar este treinamento. Isto pode ser feito a partir da opção
Teste em Ensaios da barra de menu. A Figura 35 exibe uma tela de exemplo.
85
Figura 35 – Tela – validação de RNAs
Para realizar um teste é preciso escolher a RNA que será testada. Isto é
feito ao selecionar uma determinada Data com o respectivo N.Treino e a Estação. Cada uma
dessas opções corresponde a uma RNA previamente treinada. Ao clicar-se duas vezes sobre a
RNA escolhida, são exibidos os dados do Relatório do Treinamento e no quadro Importações
para teste, são disponibilizados os dados previamente importados para testes relativos à RNA
em uso. Uma vez que se escolha um dos arquivos para teste, uma lista dos dados é exibida
(Figura 35). Neste ponto pode-se clicar o botão Testar e o processo têm início. Assim como no
treinamento, o tempo de execução é variável, mas geralmente é inferior a um minuto,
evidentemente, proporcional à quantidade de registros do conjunto de dados usados para o
teste.
Após a conclusão do teste, um relatório como o ilustrado na Figura 36
é exibido. Para uma visualização geral deve-se usar a barra de rolagem na lateral direita da
janela. Neste relatório podem ser visualizados todos os erros e/ou acertos de cada um dos
neurônios de saída estimados pela RNA em relação aos IMF da base de testes. No final do
86
relatório, são computados os totais e percentuais de acertos e erros obtidos. Para uma posterior
consulta o relatório pode ser gravado em arquivo, clicando-se no botão Salvar.
Figura 36 – Tela – resultados de validação
Além do relatório completo, pode ser obtido um relatório resumido

(Figura 37), clicando-se no botão Relatório, o qual pode ser impresso para facilitar ao usuário
avaliar a eficiência da rede em relação a dados não utilizados na fase de treinamento.
87
Figura 37 – relatório de validação - resumido
O próximo item da barra de menu é a Ajuda, esta opção também pode

ser acessada a partir de qualquer módulo do sistema através da tecla de função F1. Permite ao
usuário obter orientações sobre a operação do sistema, bem como, sobre a metodologia usada
no desenvolvimento e implementação. Na ajuda são disponibilizadas duas formas de consulta,
as quais podem ser acessadas através das abas: Localizar e Índice.
Em Localizar é possível efetuar uma consulta relativa ao sistema
digitando uma palavra chave (Figura 38).
88
Figura 38 – Tela de ajuda – aba localizar
Na opção de Índice pode-se digitar as primeiras letras do índice

disponível ou escolher diretamente um item na lista exibida (Figura 39).
89
Figura 39 – Tela de ajuda – aba índice
O que foi descrito nesta seção corresponde às funcionalidades do

sistema PMNeural. A seguir são apresentados resultados que têm por finalidade avaliar o
potencial do sistema para classificação do molhamento foliar.
6.5 Avaliação do sistema PMNeural
Para avaliação do sistema foram utilizados os três estudos de caso

descritos em Material e Métodos e também um quarto estudo de caso, cuja base de dados foi
gerada unindo arquivos das bases de dados 1, 2 e 3. Com relação às variáveis climáticas,
número de épocas, número de observações, bases de treinamento e validação, foram mantidos
os mesmos dados e configurações. A única exceção foi nas arquiteturas das RNAs do Estudo
de Caso 1, no qual originalmente foram considerados 10 índices de molhamento foliar, e na
90
avaliação do sistema foram convertidos para 2 índices (seco ou molhado). O motivo desta
conversão visou uma padronização em relação aos outros estudos de caso.
No que se refere aos métodos de treinamento, foram destacados apenas
os resultados com o algoritmo Resilient Propagation, visto que, os resultados do algoritmo
Backpropagation não foram satisfatórios.
A principal diferença entre os procedimentos de avaliação descritos
nas próximas seções, em relação aos da fase preliminar do trabalho com os simuladores SNNS
e o JavaNNS, são os seguintes:
§ com os simuladores, os conjuntos de validação foram utilizados para determinar o
momento de parada de treinamento, ou seja, a validação cruzada;
§ na avaliação do sistema, os conjuntos de validação foram utilizados para
determinar os acertos e erros e seus respectivos percentuais, obtidos a partir das
respostas apresentadas pelas RNAs previamente treinadas no próprio PMNeural,
com os conjuntos de treinamento.
Portanto, assim como ocorreu nos experimentos iniciais com os
simuladores, a avaliação do sistema PMNeural também foi realizada com dados diferentes
daqueles utilizados durante a fase de aprendizado.
Na base de dados deste estudo de caso, a obtenção de dois índices de

molhamento foi realizada considerando-se os índices de molhamento 1.0 e 1.2 como seco e os
demais (1.5; 2.0; 2.5; 3.0; -2.5; -2.0; -1.8; -1.5 – Tabela 7) como molhado. Essa conversão de
índices resultou em 525 (15,05%) ocorrências indicando a condição de seco e o restante, 2.963
(84,95%), como molhado, de um total de 3.488 registros.
Na Tabela 13, estão ilustrados os percentuais de erros e acertos de
diversas arquiteturas de RNAs selecionadas a partir dos experimentos realizados com os
simuladores.
91
Tabela 13 – Avaliação PMNeural - estudo de caso 1
Erro de Validação (%)

Variáveis de Entrada RNA Épocas
Treino
Acertos Erros
HORÁRIO + URMED +
4-14-2 1400 0,03386 94,75 05,25
TEMPMED + VENTMED
HORARIO + URMED +
3-11-2 1200 0,07819 92,50 07,50
TEMPMED
HORARIO + URMAX +
3-11-2 1200 0,04939 96,00 04,00
TEMPMIN
HORARIO + URMED 2-8-2 600 0,10450 85,25 14,75
HORARIO + URMAX 2-8-2 600 0,10450 85,25 14,75
URMED + TEMPMED 2-8-2 1000 0,09530 94,50 05,50
URMAX + TEMPMIN 2-8-2 1000 0,09413 96,00 04,00
MÉDIAS (%) 92,04 07,96
Percebe-se, nesta tabela, que o menor percentual de acerto foi de

85,25% e o maior 96%, em uma média de acertos de 92,04%. Também estão ilustrados as
épocas e os erros de treinamento, bem como, as variáveis climáticas utilizadas como entradas
para as RNAs.
Neste estudo de caso, manteve-se o objetivo de classificar o

molhamento foliar em 2 padrões distintos, seco ou molhado, conforme pode ser observado na
Tabela 14, onde as arquiteturas das RNAs demonstram que o número de neurônios da camada
de saída é 2.
92

Treino
Acertos Erros
HORÁRIO + URMED +
4-14-2 1600 0,10922 77,00 23,00
TEMPMED + CHUVA
HORARIO + URMED +
3-11-2 750 0,13282 82,70 17,30
TEMPMED
HORARIO + URMED 2-8-2 600 0,13624 80,65 19,35
URMED + TEMPMED 2-8-2 500 0,14606 83,10 16,90
MÉDIAS (%) 80,86 19,14
Pode-se observar, na Tabela 14, que esta base de dados proporcionou

77% como o menor percentual de acertos e 83,1% o maior, resultando em uma média de
acertos de 80,86%.
De acordo com os resultados exibidos na Tabela 15, percebe-se que

este estudo de caso apresentou resultados melhores que os anteriores, ou seja, o menor
percentual de acertos foi de 94,4% e o maior 96,4% e uma média de acertos de 95,64%.
93

Treino
Acertos Erros
HORÁRIO + URMED +
4-14-2 1800 0,04251 95,80 04,20
TEMPMED + VENTMED
URMED + TEMPMED +
3-11-2 1500 0,04352 96,00 04,00
VENTMED
HORARIO + URMED +
3-11-2 1200 0,05229 95,60 04,40
TEMPMED
HORARIO + URMED 2-8-2 700 0,05653 96,40 03,60
URMED + TEMPMED 2-8-2 1350 0,05350 94,40 05,60
MÉDIAS (%) 95,64 04,36
Neste estudo de caso, foi gerada uma quarta base de dados a

partir dos arquivos dos estudos de casos 1, 2 e 3. Foram utilizadas apenas as variáveis
climáticas comuns em todos os estudos de casos juntamente com seus respectivos índices de
molhamento foliar. As variáveis comuns são: URMED, TEMPMED e o HORÁRIO. Esta
junção de dados resultou em 28.454 registros para as bases de treinamento e 2.900 registros
para as bases de validação.
Deste total de registros, os índices de molhamento ficaram assim
distribuídos:
§ nas bases de treinamento das 28.454 ocorrências, 14.960 (52,6%) indicam a
condição de seco, o restante dos registros, 13.494 (47,4%) a condição de molhado;
94
§ nas bases de validação das 2.900 ocorrências, 1.286 (44,3%) correspondem a

condição de seco, o restante dos registros, 1.614 (55,7%) a condição de molhado.
Na Tabela 16, estão ilustrados os resultados obtidos com este estudo de

caso, destacando-se o menor percentual de acertos de 73,96%, o maior 81,86% e uma média
de 79,13% de acertos.

Treino
Acertos Erros
HORÁRIO + URMED +
3-11-2 1000 0,13369 81,86 18,14
TEMPMED
HORARIO + URMED 2-8-2 1000 0,13767 79,20 20,80
HORARIO + TEMPMED 2-8-2 1000 0,17692 73,96 26,04
URMED + TEMPMED 2-8-2 1000 0,14747 81,49 18,51
MÉDIAS (%) 79,13 20,87
Estes resultados, assim como os demais, são discutidos a seguir.

95
7 DISCUSSÕES
De acordo com o descrito no capítulo anterior, os resultados gerados

foram satisfatórios visto que, os acertos obtidos por meio das RNAs treinadas com o sistema
PMNeural foram superiores a 73,96% chegando a 96,4%. Em termos de média, a menor foi
79,13% e a maior 95,64%. Isto demonstra a potencialidade do sistema na classificação do
molhamento foliar e, conseqüentemente, o reconhecimento de um padrão de comportamento
das variáveis meteorológicas em relação à formação de orvalho. O sistema desenvolvido
demonstrou ser um novo modo de analisar o molhamento foliar e, uma ferramenta de auxílio
no entendimento deste fenômeno climático.
As diferenças entre os resultados exibidos anteriormente, levando-se
em consideração, principalmente, os três estudos de caso principais – 1, 2 e 3 –, podem estar
relacionadas a fatores como: quantidade de amostras, períodos e intervalos diferentes das
coletas dos dados. Estes fatores definiram os conteúdos diversos das bases de dados. Esta
situação também caracteriza um comportamento de padrões distintos associados as variáveis
climáticas (atributos previsores), o que atribui a estas uma capacidade maior ou menor de
generalização.
Uma outra situação que pode ser levada em consideração, e que
possivelmente também contribuiu para causar as diferenças de resultados entre os três estudos
de caso, são os diferentes modos de obtenção do IMF (atributo meta), a saber:
96
§ Na base de dados do estudo de caso 1, o IMF foi obtido de forma manual em

cultura do trigo;
§ Na base de dados 2, o IMF foi obtido por meio de um sensor de molhamento plano
marca Davis®, que teve sua altura ajustada conforme o desenvolvimento da cultura
do trigo, com inclinação de 45º em relação ao solo e voltado para a face norte;
§ E na base de dados 3, um sensor de molhamento Campbell modelo 237, instalado
sobre o gramado a uma altura de 30 cm com um ângulo de exposição de 30º em
relação à horizontal e voltado para o norte.
Estes diferentes modos de coleta dos dados, possivelmente,

contribuíram para que os resultados obtidos no estudo de caso 3 tenham sido os melhores em
relação aos estudos de caso 1 e 2, em função das condições mais estáveis para obtenção dos
dados.
Evidentemente, deve-se levar em conta que, pelo fato dos resultados
do sistema terem sido obtidos a partir de arquiteturas de RNAs baseadas em combinações com
as variáveis climáticas, é possível que resultados ainda melhores possam ser obtidos com estes
mesmos dados, ou ainda, com novos dados, em outros experimentos.
Diante desta situação, a implementação de um Módulo de Validação
Cruzada (MVC) para o PMNeural, pode tornar este sistema ainda mais eficiente, uma vez que,
o usuário do PMNeural terá a sua disposição uma ferramenta que possibilitará experimentar
um número maior de arquiteturas de RNAs, em um tempo menor de processamento.
Outra vantagem que o MVC poderá trazer, é o fato que as RNAs
geradas a partir do PMNeural, possivelmente, alcançarão uma melhor generalização, e,
conseqüentemente, poderão gerar resultados com maior grau de acurácia.
O sistema PMNeural, embora utilize técnicas de RNAs que são
complexas e exigem um conhecimento especializado, possui interfaces e mecanismos de
operação que exigem do usuário apenas conhecimentos superficiais sobre a metodologia
computacional. Estes conhecimentos podem ser obtidos na opção de ajuda, o que possibilita
ao usuário obter noções básicas sobre RNAs, assim como, informações sobre as operações
necessárias para a execução do sistema.
97
Outros mecanismos de operação que facilitam o uso do sistema estão

refletidos, principalmente, nos valores default (padrão) de parâmetros que são requeridos
durante a fase de treinamento das RNAs. O usuário tem a possibilidade de ajustar os
parâmetros conforme suas necessidades, ou manter os valores default assumidos
automaticamente pelo sistema, situação que é a mais recomendável, diante dos estudos que
foram realizados.
Na questão operacional, ainda, o sistema resultante foi projetado para

ser executado em computadores pessoais do tipo PC. É sabido que os PCs possuem diferentes
velocidades de processador e capacidade da memória RAM, o que pode interferir no
desempenho do sistema. Considerando que o desenvolvimento de RNAs é um processo de
aprendizado de máquina em que o número de iterações, combinações de parâmetros e o
tamanho das RNAs resultam em diferentes velocidades e tempo de processamento, foi
realizado um estudo para avaliar o desempenho do PMNeural em diferentes configurações de
equipamentos. A finalidade deste estudo foi avaliar apenas o número de épocas que cada
computador poderia processar em dez horas de treinamento com o algoritmo Resilient
Propagation.
Para este experimento foram utilizados dados de dois estudos de caso:
§ EC_3 (Estudo de Caso 3) – variáveis meteorológicas: horário, urmed, tempmed e

ventmed. Número de observações 5.356. Arquitetura das RNAs: 4-14-2;
§ EC_4 (Estudo de Caso 4) – variáveis meteorológicas: horário, urmed, tempmed.
Número de observações 28.454. Arquitetura das RNAs: 3-11-2;
Os computadores utilizados foram:
§ Notebook_1 – notebook com processador Intel Pentium 725 Centrino, clock de 1.6
Giga Hertz (GHz), 2 Megabytes (MBytes) de memória cachê e 512 Mbytes de
memória RAM;
98
§ Notebook_2 – notebook com processador Intel Pentium M Centrino, clock de 1.86

Giga Hertz (GHz), 2 Megabytes (MBytes) de memória cachê e 1 Gibabyte (GByte)
de memória RAM;
§ Desktop_1 – desktop com processador AMD Athlon™ XP, clock de 1.8 GHz, 1
MByte de memória cachê e 256 MBytes de memória RAM;
§ Desktop_2 – desktop com processador Intel Pentium 4 HT, clock de 3.2 GHz, 1
MByte de memória cachê e 1 Gibabyte de memória RAM.
Na Tabela 17, estão descritos os resultados obtidos com cada um dos

computadores e respectivo estudo de caso.
Tabela 17 – Épocas processadas em 10 horas de treino c/o PMNeural –

algoritmo Rprop
Estudos de Caso Computadores Épocas
Notebook_1 80.500
Notebook_2 90.370
EC_3
Desktop_1 69.230
Desktop_2 49.140
Notebook_1 22.640
Notebook_2 26.050
EC_4
Desktop_1 20.040
Desktop_2 11.845
99
Nos ensaios com os computadores Notebook_1, Notebook_2 e

Desktop_1, os processamentos foram realizados sem nenhum aplicativo sendo executado em
paralelo, ou seja, toda a capacidade de processamento de cada um dos processadores foi
destinada apenas à execução do PMNeural. Foram mantidos apenas os processos essenciais ao
funcionamento do sistema operacional (Windows XP). Com relação aos experimentos com o
Desktop_2, por tratar-se de um processador com maior capacidade de processamento e maior
memória RAM, neste caso, os processamentos das RNAs foram realizados com o computador
sendo utilizado simultaneamente em outras tarefas, ou seja, o processamento foi em
background.
Diante dos experimentos, confirma-se que, para se obter maior
desempenho dos computadores no processamento das RNAs, a maior capacidade de memória
RAM e o processamento dedicado são itens fundamentais.
100
8 CONSIDERAÇÕES
Diante dos resultados obtidos e da operacionalidade atual do sistema

PMNeural, como trabalhos futuros foram definidas quatro metas:
§ O desenvolvimento e implementação de um Módulo de Validação Cruzada, já
discutido no capítulo anterior;
§ Aprimoramento do módulo de importação, para que durante este processo a base de
dados seja dividida automaticamente em dados para treinamento e validação. No
que se refere à validação, o sistema deverá automaticamente escolher um método
de amostragem aleatória e selecionar os registros de forma tal que sejam
priorizados índices que aparecem em maior quantidade, ou não, conforme a
composição da base de dados;
§ Módulo de consolidação de bases de dados, a finalidade deste módulo é possibilitar
a união de diversas bases comuns em uma base maior, ou seja, na lista de bases
existentes, o usuário poder escolher quais bases quer unir. Por exemplo: reunir
variáveis climáticas de safras de inverno e verão, em uma única base de dados;
§ Criação de um Sistema de Apoio a Decisão que calcule a DPMF em tempo real.
Para se obter a DPMF, parte-se do princípio que o PMNeural esteja conectado on-
line com o dataloger de uma estação meteorológica, o qual estaria enviando os
valores correspondentes das variáveis climáticas previamente definidas para a
consulta às RNAs, de acordo com os parâmetros de treinamento e num
101
determinado intervalo de tempo. Conforme o índice de molhamento da RNA

consultada, e com base no intervalo de tempo das leituras, a DPMF poderia ser
estimada.
102
9 CONCLUSÕES
Em relação aos algoritmos de aprendizagem testados, o Resilient

Propagation foi o que apresentou melhor desempenho com taxas de erro de treinamento
variando entre 0.07209 a 0.34398 e de validação entre 0.06330 a 0.26467, demonstrando ser
eficiente e apresentando os resultados satisfatórios já mencionados.
O sistema PMNeural, baseado em RNAs foi eficiente, com grau de
exatidão entre 73,96% a 96,40%, para reconhecer padrões em dados de variáveis
meteorológicas visando estimar o molhamento foliar originado por orvalho, em estudos de
caso com bases de dados obtidas em áreas onde a cultura alvo foi o trigo.
O sistema desenvolvido demonstrou que as RNAs podem ser utilizadas
como um novo modo para definir relações entre variáveis meteorológicas e o molhamento
foliar por orvalho.
103
10 REFERÊNCIAS BIBLIOGRÁFICAS
ABELÉM, A. J. G. Redes neurais artificiais na previsão de séries temporais. 1994.

Dissertação. 100p. (Mestrado em Engenharia Elétrica), Departamento de Engenharia Elétrica,
Pontifícia Universidade Católica do Rio de Janeiro, Rio de Janeiro, 1994.
AGROSYSTEM, Web:
http://agrosystem.locaweb.com.br/produto_detalhe.asp?id_linha=3&id_produto=39, acesso
em novembro/2005.
AMADOR, P. A. Duração do período de molhamento por orvalho: estimativa baseada

em parâmetros meteorológicos e comparação do desempenho de instrumentos de
medida. 1987. Dissertação. 69p. (Mestrado), Escola Superior de Agricultura Luiz de Queiroz
– ESALQ, Piracicaba, 1987.
ANDRADE. M. C. de; NETO, A. R.; ROSA, R. R.; SAWANT, H. S.; FERNANDES, F. C. R.

Spatiotemporal Patterns Estimation Using a Multilayer Perceptron Neural Network in a Solar
Physics Application. Learning and Nonlinear Models – Revista da Sociedade Brasileira de
Redes Neurais, v.1, n.2, p. 159-167, 2003.
104
AZEVEDO, F. M.; BRASIL, L. M. e OLIVEIRA, R. C. L. de. Redes neurais com aplicações

em controle e em sistemas especialistas. Florianópolis: Visual Books Editora, 2000, 401p.
BALESTRASSI, P. P. Identificação de padrões em gráficos de controle estatístico de

processos, em tempo real, utilizando séries temporais e redes neurais artificiais, 2000.
Tese. 217p. (Doutorado em Engenharia de Produção), Universidade Federal de Santa Catarina,
Florianópolis, 2000.
BALLINI, R.; SOARES, S.; ANDRADE, M. G. Previsão de vazões médias mensais usando
redes neurais nebulosas. Sba Controle & Automação, Campinas, v.14, n.3, p.680-693. ISSN
0103-1759, 2003.
BARRETO, J. M. Introdução às redes neurais artificiais, In: V Escola Regional de

Informática da SBC Regional Sul, anais, Santa Maria, Florianópolis, Maringá, p.41-71, 1997.
BARROS, B. C. Avaliação da resistência varietal e da resposta de cultivares de trigo

(Triticum aestivum L.) ao controle químico de oídio, mancha marrom e ferrugem da
folha. 1988. Tese. 122p. (Doutorado), Escola Superior de Agricultura Luiz de Queiroz –
ESALQ, Piracicaba, 1988.
BENTON, W. Enciclopédia Barsa. São Paulo: Encyclopaedia Britannica Editores Ltda.,

1970. p.163. v.10. 468p.
BOCANEGRA, C. W. R. Procedimentos para tornar mais efetivo o uso de redes neurais

artificiais em planejamento de transportes. 2000. Dissertação. 97p. (Mestrado em
Engenharia Civil), Escola de Engenharia de São Carlos, Universidade de São Paulo, São
Carlos, 2002.
BORLAND, Web: http://www.borland.com.br/products/index.html, acesso em setembro/2003.

105
BRAGA, A. P.; CARVALHO, A. C. P. L. F.; LUDERMIR, T. B. Redes Neurais Artificiais

Teoria e Aplicações. Rio de Janeiro, LTC – Livros Técnicos e Científicos Editora SA, 2000,
262p.
BUZZERIO, N. F. Ferrugem e mancha angular do feijoeiro: efeito de fungicidas no

desenvolvimento do hospedeiro e no progresso das doenças. 2001. Dissertação. 115p.
(Mestrado em Agronomia), Escola Superior de Agricultura Luiz de Queiroz – ESALQ,
Piracicaba, 2001.
CAMPBELL, Web: http://www.campbellsci.com/237-l, acesso em outubro/2005.
CANTERI, M. G.; DALLA PRIA, M.; SILVA, O. C. Principais doenças fúngicas no

feijoeiro: orientações para manejo econômico e ecológico. Ponta Grossa, UEPG, 1999.
178p.
CANTU, M. Dominando o Delphi 7, a Bíblia. Tradução de Kátia Aparecida Roque. São

Paulo, Pearson Education do Brasil, 2003.
CARVALHO, A.; LUDEMIR, A. Fundamentos de Redes Neurais Artificiais: 11ª Escola de

Computação. Imprinta Gráfica e Editora Ltda, 1998.
CAUDILL, M. Neural Network Primer. Miller Freeman Publications, San Francisco, CA,
1990.
CROWE, M. J.; COAKLEY, S. M.; EMGE, R. C. Forecasting dew duration at Pendleton,

Oregon, using simple weather observations. Journal of Applied Meteorology. Boston,
17(10). 1482-87, 1978.
DE MORI, C.; FILHO, A. F. Custo de produção de trigo e de aveia: estimativa safra 2003.
Passo Fundo: Embrapa Trigo, 2003. 5p. Embrapa Trigo. Comunicado Técnico Online, n.111.
Web: http://www.cnpt.embrapa.br/biblio/co/p_co111.htm, acesso em out/2004.
106
DIAS, A. H.; MATHIAS, I. M.; BIAGGIONI, M. A. M.; CATANEO, A.; PAES, A. R.;
ESPERANCINI, M. S. T.; VIRGENS FILHO, J. S. das; Avaliação do ciclo produtivo da
laranja através de redes neurais artificiais, In: XI SIMEP - Simpósio de Engenharia de
Produção, Anais...., Bauru, 2004.
DIAS, A. H.; MATHIAS, I. M.; VIRGENS FILHO, J. S. das; RICKLI, L. I. Simulador de

dados genéricos – aplicação de redes neurais topologia MLP, In: SUCESU 2004 –
Congresso nacional de tecnologia da informação e comunicação. 2004. Anais.... Florianópolis,
SUCESU-NACIONAL, 2004a, CD-ROM.
DIVERIO, V. T.; FORMAGGIO, A. R.; SHIMABUKURO, Y. Identificação de áreas

desflorestadas na Amazônia através de uma rede neural artificial utilizando imagens fração
derivadas dos dados do IR-MSS/CBERS, In: Anais XI SBSR – Simpósio brasileiro de
sensoriamento remoto, 2003, Anais..., p.2697–2704, Belo Horizonte, INPE – Instituto
Nacional de Pesquisas Espaciais, 2003.
EMBRAPA - Empresa Brasileira de Pesquisa Agropecuária - Embrapa Soja. Informações

Trigo, Web: http://www.cnpso.embrapa.br/index.php?op_page=39&cod_pai=54, acesso em
out/2004.
EMBRAPA - Empresa Brasileira de Pesquisa Agropecuária - Embrapa Trigo. Informações

Trigo, Web: http://www.cnpt.embrapa.br/culturas/trigo/index.htm, acesso em mar/2006.
ESALQ, Web: http://www.lce.esalq.usp.br/posto.html, acesso em setembro/2005.
FEEKES. Feekes Growth Stages for Small Grains. 1940. Web:

http://www.ces.ncsu.edu/resources/crops/ag580/feekes.html. Acesso em outubro/2004.
FISCHER, I., HENNECKE, F., BANNES, C., ZELL, A. JavaNNS – Java Neural Network
Simulator. User Manual – Version 1.1. University of Tübingen, Wilhelm-Schickard -
Institute for Computer Science, Department of Computer Architecture, 2001, Web:
107
http://www-ra.informatik.uni-tuebingen.de/ software/JavaNNS/ manual/JavaNNS-manual.pdf,

acesso em setembro/2004.
FOWLER, M. UML Essencial, Porto Alegre, Bookman, 3a. Edição, 2005.
FRANCO, R. B.; MARTINS, W. Avaliação prática de redes neurais para o acasalamento de

gado nelore, In: IV Congresso Brasileiro de Redes Neurais, Anais, p.243-246, ITA, São José
dos Campos, 1999.
FREITAS, A. A. C. de; SILVA, I. N. da; SOUZA, A. N. de. Aplicação de redes neurais na

estimação da temperatura interna de transformadores de distribuição imersos em óleo. Sba
Controle & Automação, Campinas, ISSN 0103-1759, v.13, n.3, p.266-274, 2002.
FURLAN, J. D. Modelagem de Objetos através da UML. São Paulo: Makron Books, 1998,
330p.
GALO, M. de L. B. T. Aplicação de redes neurais e sensoriamento remoto na

caracterização ambiental do parque estadual Morro do Diabo, 2000. Tese. 207p.
(Doutorado em Ciências da Engenharia Ambiental), Universidade de São Paulo – USP, São
Carlos, 2000a.
GALO, M. de L. B. T.; NOVO, E. M. L. de M.; GALO, M. Ambigüidade entre classes de

vegetação resultantes da aplicação de uma rede neural artificial. In: IX Simpósio latino
americano de perceptron remota, Puerto Iguazú, Miziones, Argentina,2000b.
Web:http://www2.prudente.unesp.br/dcartog/galo/pdf/2000_selper.pdf. Acesso em
janeiro/2005.
GETZ, R.R. Coments on “forecasting dew duration at pendleton, Oregon, using simple
weather observations”. Journal of Applied Meteorology. Boston, 18(8). p.1087, 1979.
108
GIOVANINI, R.; COURY, D. V. Classificação rápida de faltas em sistemas elétricos

utilizando redes neurais artificiais, In: IV Congresso Brasileiro de Redes Neurais, Anais,
p.281-286, ITA, São José dos Campos, 1999.
GLERIANI, J. M. Redes neurais artificiais para classificação espectro-temporal de

culturas agrícolas. 2004. Tese. 212p. (Doutorado em Sensoriamento Remoto), Instituto
Nacional de Pesquisas Espaciais – INPE, São José dos Campos, 2004.
GONÇALVES, C. H. R. Utilizando redes neurais artificiais para predição de falhas em

links de redes ópticas. 2003. Dissertação. 148p. (Mestrado em Ciência da Computação),
Universidade Federal do Ceará, Fortaleza, 2003.
GUIMARÃES, A. M.; VRIESMANN, L. M.; TOMASI, A. L. B.; CANTERI, M. G.;

MATHIAS, I. M. Aplicação de Técnicas de Data Mining na obtenção de padrões de
características físico-químicas do solo em função de sua produtividade. In: X Encontro Anual
de Iniciação Científica e I Encontro de Pesquisa da UEPG, Anais..., Ponta Grossa: Editora
UEPG, v.1. p.292 – 293, 2001.
GUIMARÃES, A. M. Aplicação de computação evolucionária na mineração de dados

físico-químicos da água e do solo, 2005. Tese. 127p. (Doutorado em Agronomia – Energia na
Agricultura), Universidade Estadual Paulista – UNESP, Botucatu, 2005.
HAYKIN, S. Redes neurais princípios e prática. Porto Alegre, Bookman, 2001, 900p.
HELDWEIN, A.B.; KRZYSCH, G. Escala para a observação visual do molhamento por

orvalho. Revista Brasileira de Agrometeorologia, Santa Maria, v.5, n.2, p.207-214, 1997.
HUBBARD, K. G.; MAHMOOD, R.; CARLOS C. Estimating Daily Dew Point Temperature
for the Northern Great Plains Using Maximum and Minimum Temperature, Agronomy
Journal, Stanford University Libraries, v.95, p.323-328, 2003.
109
LEITE, R. M. V. B. de C. Avaliação de danos e efeito de variáveis ambientais na mancha

de alternaria (alternaria helianthi) em girassol. 2002. Tese. 107p. (Doutorado em
Agronomia), Escola Superior de Agricultura Luiz de Queiroz – ESALQ, Piracicaba, 2002.
MATHIAS, I. M.; DIAS, A.H.; CATANEO, A.; GUIMARÃES, A. M. Sistema especialista

para avaliação da aptidão agrícola das terras, In: SUCESU 2004 – Congresso nacional de
tecnologia da informação e comunicação. 2004. Anais.... Florianópolis, SUCESU-
NACIONAL, 2004, CD-ROM.
MATHIAS, I. M.; GUIMARÃES, A. M.; DIAS, A. H.; TSUKAHARA, R. Y.; CATANEO,

A. Avaliação de redes neurais artificiais na estimativa da duração do período de
molhamento foliar por orvalho na cultura do trigo, In: V Congresso brasileiro de
agroinformática. 2005. Anais.... Londrina, SBIAGRO, 2005, CD-ROM.
MCCULLOCH, W. S.; PITTS, W. A Logical Calculus of the Ideas Immanent in Nervous

Activity. Bulletin of Mathematical Biophysics, Vol.5, p.115-133, 1943.
MEDEIROS, J. S. de. Bancos de geográficos e redes neurais artificiais: tecnologias de

apoio à decisão do território. Tese. 217p. (Doutorado em Ciências: Geografia Física),
Universidade de São Paulo, Faculdade de Filosofia, Letras e Ciências Humanas, Departamento
de Geografia, São Paulo, 1999.
MEDEIROS, L. F. de. Redes neurais em delphi. Florianópolis: Visual Books Editora, 2003,
115p.
MELO, E. Previsão de doenças de plantas. Passo Fundo: Editora Universitária –

Universidade de Passo Fundo, 2004, 316p.
MIRANDA, R. A. C.; DAVIES, T. D.; CORNELL, S. E. A Laboratory assessment of wtness

sensors for leaf, fruit and trunk surfaces. Agriculture and Forestry Meteorology, n.102,
p.263-274, 2000.
110
MONTEIRO, J. E. B. de A. Microclima e ocorrência de ramulose no algodoeiro em

diferentes densidades populacionais. 2002. Dissertação. 99p. (Mestrado em Agronomia),
Escola Superior de Agricultura Luiz de Queiroz – ESALQ, Piracicaba, 2002.
MULLER, M.; FILL, H. D. Redes neurais aplicadas na propagação de vazões. In: XV

SIMPÓSIO BRASILEIRO DE RECURSOS HÍDRICOS, 2003. Anais.... Curitiba, Associação
Brasileira de Recursos Hídricos, 2003, CD-ROM.
NEURAIS, Web: http://www.din.uem.br/ia/neurais, acesso em setembro/2003.
NIEVOLA, J. C. Redes neurais artificiais. In: XII Escola regional de informática – ERI
2004, Anais, p.01-50, ISBN 858844287-6, Universidade Estadual do Centro-Oeste –
UNICENTRO, Guarapuava, 2004.
NORONHA, M. de A. Escala diagramática para avaliação da mancha preta em folhas de

citros e efeito da temperatura e da duração do molhamento na pré-penetração dos
conídios de Guignardia citricarpa Kiely [Phyllosticta citricarpa (McAlp.) Van der Aa].
2002. Dissertação. 67p. (Mestrado em Agronomia), Escola Superior de Agricultura Luiz de
Queiroz – ESALQ, Piracicaba, 2002.
OSÓRIO, F. S.; BITTENCOURT, J. R. Sistemas Inteligentes baseados em Redes Neurais

Artificiais aplicados ao Processamento de Imagens, In: I Workshop de inteligência
artificial, 2000, apostila-seminário, Santa Cruz do Sul, UNISC – Universidade de Santa Cruz
do Sul - Departamento de Informática, 2000.
PAULA, M. B. Reconhecimento de palavras faladas utilizando redes neurais artificiais.

2000. Monografia. 97p. (Bacharelado em Informática), Instituto de Física e Matemática,
Universidade Federal de Pelotas, Pelotas, 2000.
PERNOMIAN, V. A.; TRINDADE JR, O. Sistema de identificação de plantas invasoras

em tempo real, In: VIII SIMPÓSIO E DISSERTAÇÕES. São Carlos, ICMC- Instituto de
111
Ciências Matemática e de Computação de São Carlos, 2003, Web:

http://www.icmc.usp.br/~std-cd/Artigos/Computacao/SDPC/VivianeAP.pdf, acesso em
janeiro/2005.
PESSOA, J. D. C.; FREIRE L. Redes Neurais para predição de variáveis climáticas relevantes
para agricultura. EMBRAPA - Comunicado Técnico – ISSN 1413-6244, São Paulo, n.23,
p.1-7, 1998.
PINTO, A. C. S.; POZZA, E. A.; SOUZA, P. E.; POZZA, A. A. A.; TALAMINI, V.;
BOLDINI, J. M.; SANTOS, F. S. Descrição da epidemia da ferrugem do cafeeiro com redes
neuronais. Fitopatologia Brasileira, v.27, p.517-524, 2002.
PIVONIA, S.; YANG, X. B. Assessment of the potential year-round establishment of soybean

rust throughout the world. Plant Disease, v.88, n.5, p.523-529, 2004.
RAJVANSHI, A. K. Large scale dew collection as a source of fresh water supply.

Desalination, v.36, n.3, p.299-306, 1981.
RAMOS, J. P. S. Redes neurais artificiais na classificação de frutos: cenário bidimensional.

Ciência e Agrotecnologia, Lavras. Universidade Federal de Lavras (UFLA) v.27, n.2, p.356-
362, 2003.
RIBEIRO, L. N. Rede Neural com retropropagação: uma aplicação na classificação de

imagens de satélite. 2003. Dissertação. 131p. (Mestrado em Estatística), Departamento de
Computação e Estatística, Universidade Federal do Mato Grosso do Sul - UFMS, Campo
Grande, 2003.
RIEDMILLLER, M.; BRAUN, H. A direct adaptive method for faster backpropagation

learning: the RPROP algorithm, In: Proceedings of the IEEE, Int. conf. Ond Neural
Network (ICN), San Francisco – USA, 1993, p. 586-591
112
ROMAN, E. S. Tecnologia de aplicação de herbicida na dessecação de Brachiaria plantaginea

(Link) Hitchc. EMBRAPA Trigo – Circular Técnica on-line – ISSN 1518-6490, n.1, 1999.
Web: http://www.cnpt.embrapa.br/biblio/p_ci01.htm, acesso em outubro/2004.
ROHN, M. da C.; MINE, M. R. M. Uma aplicação de redes neurais artificiais à previsão

de chuvas de curtíssimo prazo. In: XV Simpósio brasileiro de recursos hídricos. 2003.
Anais.... Curitiba, Associação Brasileira de Recursos Hídricos, 2003, CD-ROM.
ROHN, M. da C.; GILBERTONI, R. de F. C.; KAVISKI, E.; COSTA, M.; NASCIMENTO,

L. V. do. Sistema de apoio à decisão para controle de outorgas: uma solução baseada em
redes neurais artificiais. In: XV Simpósio brasileiro de recursos hídricos. 2003, Anais….
Curitiba, Associação Brasileira de Recursos Hídricos, 2003, CD-ROM.
ROSENBLATT, F. The Perceptron: A probabilistic model for information storage and

organization in the brain. Psychological Review, v.65, 1958.
RUMELHART, D. E.; HINTON, G. E.; WILLIAMS, R. J. Internal Representation by

Error Propagation, in Parellel Distributed Processing. MIT Press, Cambridge, 1986.
SANTOS, M. T. dos; ALMEIDA, A. R. de; CHING TU, C. C. Redes neurais artificiais

aplicadas no monitoramento da condição de ferramentas de corte utilizando algoritmo de
extração das características SFS, In: IV Congresso Brasileiro de Redes Neurais, Anais, p.292-
297, ITA, São José dos Campos, 1999.
SARLE, W. S. Web: ftp://ftp.sas.com/pub/neural/FAQ.html.zip, acesso em setembro/2004.
SEGATTO, Ê. C.; COURY, D. V.; TAVARES, M. C.; CAMPOS, P. E. G. Alto desempenho

na proteção diferencial de transformadores de potência com a utilização de redes neurais
artificiais. Sba Controle & Automação, São José dos Campos, ISSN 0103-1759, v.14, n.3,
p.309-320, 2003.
113
SENGER, L. J.; CALDAS JUNIOR, J. Análise de risco de crédito utilizando redes neurais
artificiais. Revista do CCEI, Bage, ISSN 1415-2061, v.5, n.8, p.19-27, 2001.
SENTELHAS, P. C. Ocorrência de helmintosporiose (helminthosporium sativum) e de

oídio (erysiphe graminis) na cultura do trigo (triticum aestivum, L.) sob diferentes
condições microclimáticas. 1992. Dissertação. 103p. (Mestrado em Agronomia), Escola
Superior de Agricultura Luiz de Queiroz – ESALQ, Piracicaba, 1992.
SENTELHAS, P. C.; PEDRO JUNIOR, M. J.; FELÍCIO, J. C. Estimativa da duração do

período de molhamento para o trigo. Revista Brasileira de Agrometeorologia, Santa Maria,
v.1, n.1, p.117-122, 1993.
SENTELHAS, P. C. de. Duração do período de molhamento foliar: aspectos operacionais

da sua medida, variabilidade espacial em diversas culturas e sua estimativa através
modelo de Penman-Monteith. Tese. 161p. (Livre Docência em Agrometeorologia),
Universidade de São Paulo, Escola Superior de Agricultura Luiz de Queiroz – ESALQ,
Piracicaba, 2004.
SILVA, S. R.; RIOS, G. P.; SILVA, S. C. Influência da resistência e do período de

molhamento na infecção e desenvolvimento de lesões de ferrugem no feijoeiro. Fitopatologia
Brasileira, v.26, p.726-731, 2001a.
SILVA, I. N. da; ARRUDA, L. V. R.; AMARAL, W. C. do; BORDON, M. E. Projeto e

análise de uma rede neural para resolver problemas de programação dinâmica. Sba Controle
& Automação, v.12, n.1, p.1-10, 2001b.
SILVEIRA, N. S. S.; MICHEREFF, S. J.; MARIANO, R. L. R.; TAVARES, L. A.; MAIA, L.

C. Influência da temperatura, período de molhamento e concentração do inóculo de fungos na
incidência de podridões pós-colheita em frutos de tomateiro. Fitopatologia Brasileira, v.26,
p.33-38, 2001.
114
SOARES, J. F.; FARIAS, A. A. de; CESAR, C. C. Introdução à Estatística. Rio de Janeiro:

Editora Guanabara, 1991, 378p.
STADZISZ, P.C. Projeto de Software usando a UML, Curitiba: CEFET, 2002, 69p.
SUTTON, J.C.; GILLESPIE, T.J.; HILDEBRAND, P.D. Monitoring weather factors in

relation to plant disease. Plant Disease, v.68, n.1, p.78-84, 1984.
SZWARCFITER, J. L Grafos e algoritmos computacionais. Rio de Janeiro: Editora

Campus, 1986, 216p.
TÁPIA, M.; ROISENBERG, M.; BARRETO, J. M. Aplicação de redes neurais diretas na

previsão de preços de ovos. In: Congresso e mostra de agroinformática – INFOAGRO, 2000,
Ponta Grossa, Edição 2000. versão 1.0. CD–ROM.
TINÓS, R. Detecção e diagnóstico de falhas em robôs manipuladores via redes neurais

artificiais. 1999. Dissertação. 117p. (Mestrado em Engenharia Elétrica), Escola de Engenharia
de São Carlos, Universidade de São Paulo, São Carlos, 1999.
TSUKAHARA, R. Y. Sistema de suporte à tomada de decisão para o manejo

fitossanitário nos Campos Gerais do Paraná, 2004. Dissertação. 113p. (Mestrado em
Agronomia), Universidade Estadual de Londrina, Londrina, 2004.
TSUKAHARA, R. Y. Controle das principais doenças do trigo em função do

monitoramento das variáveis ambientais, Projeto AGR05_34. Fundação ABC, Castro,
2005.
UCI-ML. Machine Learning Repository. UCI – University of California Irvine. Dept. of

Computer Science. Web: http://www.ics.uci.edu/~mlearn/MLRepository.html, acesso em
setembro/2004.
115
WEIGEND, A. S., RUMELHART, D. E., HUBERMAN, B. A. Predicting the future: A

connectionist approach, International Journal Neural System, 1990.
WEINERT, W. R.; LOPES, H. S. Aplicação de um sistema neural ao problema de

classificação de proteínas, In: VI Congresso Brasileiro de Redes Neurais, Anais, p.85-90,
Centro Universitário da FEI, São Paulo, 2003.
ZAHLER, P. J. M.; MOTA, F. S. da; AGENDES, M. O. de O. Previsão agrometeorológica

no controle de doenças e pragas dos vegetais. Ministério da Agricultura e da Reforma
Agrária, Brasília, 1991, 60 p.
ZELL, A. et al. SNNS – Stuttgart Neural Network Simulator. User Manual – Version 4.2.
University of Stuttgart, Institute for Parallel and Distributed High Performance Systems, 1998,
Web: http://www-ra.informatik.uni-tuebingen.de/downloads/SNNS/SNNSv4.2. Manual.pdf,
acesso em setembro/2004.
ZUBEN, F. J. V. Uma Caricatura Funcional de Redes Neurais Artificiais. Learning and

Nonlinear Models – Revista da Sociedade Brasileira de Redes Neurais, v.1, n.2, p. 77-87,
2003.
116
APÊNDICE
117
Guia de instalação – Pmneural
A instalação do sistema se inicia automaticamente após inserir o CD

na unidade correspondente. O processo demora poucos minutos para ser realizado. À medida
que a instalação avança, surgem caixas de diálogo solicitando ao usuário para: Avançar (ou
Next), Instalar (ou Install), OK ou Cancelar (ou Cancel). Para que a instalação seja realizada
com sucesso, devem ser mantidas as configurações a seguir.
Local de destino:
C:\Arquivos de programas\PMNeural
Pasta do Menu Iniciar:

PMNeural
O processo de instalação como um todo, ocorre em duas etapas.
§ Observação: Antes de iniciar a instalação do PMNeural, recomenda-se fechar

todos os aplicativos que estiverem em execução.
Primeira etapa – instalação do PMNeural
Será criada a seguinte estrutura de diretórios na unidade < C: > do

computador:
C:\Arquivos de programas\PMNeural\Ajuda\AJUDA.HLP
Corresponde ao arquivo de Ajuda do sistema, que pode ser acessado

pela tecla de atalho F1 ou pela opção correspondente nas barras de opções do sistema.
118
C:\ Arquivos de programas\PMNeural\Conhecimento
Esta pasta se destina a armazenar RNAs que serão gravadas após os

respectivos treinamentos. Estes arquivos são acessíveis pelo sistema.
C:\ Arquivos de programas\PMNeural\Dados\PMNEURAL.GDB
Este arquivo corresponde ao banco de dados, o qual armazenará todas

as operações realizadas.
C:\ Arquivos de programas\PMNeural\Importações\Dados_Treinamento_2000p_HORARIO_URMED_TEMPMED.csv

C:\ Arquivos de programas\PMNeural\Importações\Dados_Validação_200p_HORARIO_URMED_TEMPMED.csv
Estes dois arquivos – do Estudo de Caso 2 –, são exemplos de bases de

dados, os quais têm por finalidade auxiliar o usuário a entender o funcionamento do sistema.
Para utilizar estas bases de dados, deve-se seguir os seguintes passos:
1. Inicialmente, deve-se fazer a importação dos arquivos correspondentes, usando como

referência a própria nomenclatura, ou seja, um é para Treinamento e outro para
Validação (Teste).
2. Posteriormente pode-se fazer o treinamento usando os parâmetros padrões, inclusive o

número de épocas (500), bem como, o algoritmo Resilient Propagation.
3. Fazer o Teste com o arquivo que foi previamente importado para esta finalidade. A
referência é a data da importação. Ao testar, é gerado um relatório completo, mas,
pode-se optar pelo resumido, onde, são descritas todas as informações sobre o
treinamento da RNA, bem como, o total de acertos e erros.
119
§ Observação: Os dados do arquivo para validação não são os mesmos do

Treinamento.
C:\ Arquivos de programas\PMNeural\PMNEURAL.exe

C:\ Arquivos de programas\PMNeural\leiame.txt
O arquivo executável PMNeural.exe, refere-se ao aplicativo em si, a

partir do qual se inicia a execução do programa. Para isso, basta usar o atalho na área de
trabalho (Desktop) ou a partir do botão Iniciar/Programas/PMNeural.
O arquivo leiame.txt tem um conteúdo similar a este guia e, é
executado ao final da instalação do sistema.
Os demais arquivos dessa pasta são relativos ao processo de
desinstalação do programa e bibliotecas do sistema. Caso opte por desinstalar, recomenda-se
usar o recurso do Windows a partir do Painel de Controle em Adicionar e remover
programas.
Segunda etapa – instalação do Interbase 6.0.1 – Borland
Durante o processo de instalação também será instalado o Interbase

6.0.1, caso ainda não exista no computador em uso. Este software corresponde ao Sistema
Gerenciador de Banco de Dados e, é indispensável ao funcionamento do sistema PMNeural.
Detalhe importante, o status do Interbase deve ser RUNNING
(Executando). Este status é assumido automaticamente quando instalado a partir do
PMNeural. Caso contrário, para verificar esta condição, pode-se acessar o Interbase a partir do
Painel de Controle do Windows, clicando no ícone correspondente ao Interbase.
Se por algum motivo qualquer a instalação do Interbase não foi
concluída com sucesso, pode-se instalá-lo diretamente do CD de instalação do PMNeural
executando o aplicativo Setup, que se encontra na pasta \InterBaseV6.0.1-
server.
120
§ Atenção: Antes de iniciar a execução do PMNeural, deve-se verificar se as

Configurações do Windows do computador em uso encontram-se com:
i. Formato de data abreviada (dd/MM/aaaa);
ii. Números – símbolo decimal ( , ) – vírgula;
iii. Números – símbolo de agrupamento de dígitos ( . ) – ponto.
Caso as configurações não sejam as exibidas acima, é necessário
efetuar estas configurações para que o sistema tenha um funcionamento normal. Isto pode ser
feito a partir do Painel de Controle do Windows em Opções regionais e de idioma, em
seguida clica-se no botão Personalizar... no quadro de diálogo que aparece podem ser feitos
os ajustes necessários.
Para utilizar o sistema PMNeural pela primeira vez, deve-se utilizar:
§ Login = admin
§ Senha = admin

Orvalho

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Orvalho

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE ESTADUAL PAULISTA “JÚLIO DE MESQUITA FILHO”

FACULDADE DE CIÊNCIAS AGRONÔMICAS

APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS NA ANÁLISE DE

IVO MÁRIO MATHIAS

Tese apresentada à Faculdade de Ciências

APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS NA ANÁLISE DE

IVO MÁRIO MATHIAS

Orientador: Prof. Dr. Angelo Cataneo

Tese apresentada à Faculdade de Ciências

“O que sabemos é uma gota, o que ignoramos é um oceano.”

Agradeço a Deus, que está presente em todos os momentos de minha

À UEPG, agradeço pela licença remunerada que viabilizou o meu

LISTA DE FIGURAS ...............................................................................................................XI

LISTA DE TABELAS ........................................................................................................... XIII

3.1 Contexto do trabalho...................................................................................................5

3.2 Especificação do problema .........................................................................................6

3.3 Objetivo do trabalho ...................................................................................................7

4 REVISÃO DE LITERATURA ...........................................................................................8

4.1 Redes Neurais Artificiais ............................................................................................8

4.1.1 O neurônio artificial e a rede neural ................................................................. 10

4.1.2 Modelo de neurônio.......................................................................................... 13

4.1.3 Tipos de função de ativação ............................................................................. 15

4.1.4 Arquiteturas de RNAs ...................................................................................... 18

4.1.5 Tarefas de aprendizagem .................................................................................. 20

4.1.6 Processo de aprendizagem................................................................................ 21

4.1.7 Modelos de aprendizagem ................................................................................ 23

4.1.8 Perceptron de camada única ............................................................................. 24

4.1.9 Perceptron de múltiplas camadas ..................................................................... 28

4.1.10 Algoritmo de retropropagação de erro (error back-propagation).................... 30

4.1.11 Algoritmo resilient propagation (Rprop) ......................................................... 36

4.2 Molhamento foliar ....................................................................................................38

4.2.1 Orvalho ............................................................................................................. 39

4.2.2 Molhamento foliar por orvalho......................................................................... 39

4.2.3 Estimativa da DPMF ........................................................................................ 41

4.2.4 Principais fatores no desenvolvimento de doenças em plantas ........................ 43

4.2.5 Doenças do trigo............................................................................................... 44

4.2.6 Cultura do trigo no Brasil ................................................................................. 44

5.1 Bases de dados ..........................................................................................................47

5.1.1 Especificação da base de dados 1 ..................................................................... 47

5.1.2 Especificação da base de dados 2 ..................................................................... 49

5.1.3 Especificação da base de dados 3 ..................................................................... 51

5.2 Metodologia computacional......................................................................................52

5.2.1 Modelagem de redes neurais artificiais ............................................................ 53

6.1 Desenvolvimento do modelo em RNA .....................................................................54

6.1.1 Definição do problema e coleta de dados......................................................... 54

6.1.2 Pré-processamento dos dados........................................................................... 57

6.1.3 Projeto da RNA ................................................................................................ 59

6.1.4 Treinamento da RNA........................................................................................ 61

6.2 Estudos de caso .........................................................................................................62

6.2.1 Estudo de caso 1 ............................................................................................... 62

6.2.2 Estudo de caso 2 ............................................................................................... 64

6.2.3 Estudo de caso 3 ............................................................................................... 65

6.3 Definição do sistema PMNeural ...............................................................................68

6.4 Funcionalidades do sistema PMNeural.....................................................................71

6.5 Avaliação do sistema PMNeural...............................................................................89

6.5.1 Estudo de caso 1 ............................................................................................... 90

6.5.2 Estudo de caso 2 ............................................................................................... 91

6.5.3 Estudo de caso 3 ............................................................................................... 92

6.5.4 Estudo de caso 4 ............................................................................................... 93

10 REFERÊNCIAS BIBLIOGRÁFICAS ............................................................................103

Figura 1 – Esquema de um neurônio biológico.........................................................................11

Figura 3 – Modelo de neurônio base para projetos de RNA .....................................................13

Figura 4 – Gráfico função de limiar ..........................................................................................15

Figura 5 – Gráfico função linear por partes...............................................................................16